感受野
多个小卷积核连续卷积和单个大卷积核卷积的作用相同
小卷积核的优势
参考资料
|
感受野 |
在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域，如下图所示：
|
多个小卷积核连续卷积和单个大卷积核卷积的作用相同 |
像LeNet、AlexNet网络，都是用了较大的卷积核，目的是提取出输入图像更大邻域范围的信息，一般是卷积与池化操作相连。而小卷积核同样可以做到这个效果，其结构可能有多个卷积相连，然后再连接池化层。
以一个5*5的卷积核举例：
以2个3*3的卷积核举例：
结论：
使用3*3的卷积核连续卷积2次可以达到5*5的卷积核卷积1次提取特征图的能力；
同理，使用3*3的卷积核连续卷积3次可以达到7*7的卷积核卷积1次提取特征图的能力；
|
小卷积核的优势 |
优势一：
整合了三个非线性激活层，代替单一非线性激活层，增加了判别能力。
优势二：
减少了网络参数。
以3个3*3的级联卷积代替1个7*7的卷积为例：可以减少7*7-3*3*3=22个参数，减少了45%的参数。
以2个3*3的级联卷积代替1个5*5的卷积为例：可以减少5*5-2*3*3=7个参数，减少了28%的参数。
优势三：
减少了计算量
以3个3*3的级联卷积代替1个7*7的卷积为例：可以减少7*7*L-3*3*3*L=22*L次计算，减少了45%的计算量。
以2个3*3的级联卷积代替1个5*5的卷积为例：可以减少5*5*L-2*3*3*L=7*L次计算，减少了28%的计算量。
|
参考资料 |
《图解深度学习与神经网络：从张量到TensorFlow实现》_张平
《深-度-学-习-核-心-技-术-与-实-践》
感受野
多个小卷积核连续卷积和单个大卷积核卷积的作用相同
小卷积核的优势
参考资料
|
感受野 |
在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域，如下图所示：
|
多个小卷积核连续卷积和单个大卷积核卷积的作用相同 |
像LeNet、AlexNet网络，都是用了较大的卷积核，目的是提取出输入图像更大邻域范围的信息，一般是卷积与池化操作相连。而小卷积核同样可以做到这个效果，其结构可能有多个卷积相连，然后再连接池化层。
以一个5*5的卷积核举例：
以2个3*3的卷积核举例：
结论：
使用3*3的卷积核连续卷积2次可以达到5*5的卷积核卷积1次提取特征图的能力；
同理，使用3*3的卷积核连续卷积3次可以达到7*7的卷积核卷积1次提取特征图的能力；
|
小卷积核的优势 |
优势一：
整合了三个非线性激活层，代替单一非线性激活层，增加了判别能力。
优势二：
减少了网络参数。
以3个3*3的级联卷积代替1个7*7的卷积为例：可以减少7*7-3*3*3=22个参数，减少了45%的参数。
以2个3*3的级联卷积代替1个5*5的卷积为例：可以减少5*5-2*3*3=7个参数，减少了28%的参数。
优势三：
减少了计算量
以3个3*3的级联卷积代替1个7*7的卷积为例：可以减少7*7*L-3*3*3*L=22*L次计算，减少了45%的计算量。
以2个3*3的级联卷积代替1个5*5的卷积为例：可以减少5*5*L-2*3*3*L=7*L次计算，减少了28%的计算量。
|
参考资料 |
《图解深度学习与神经网络：从张量到TensorFlow实现》_张平
《深-度-学-习-核-心-技-术-与-实-践》
