update

Coursera-deeplearning深度学习/课程4-卷积神经网络/week_1/assignment/.ipynb_checkpoints/5-机器学习系列（5）：卷积神经网络CNN之--原理及python实现-checkpoint.ipynb

@@ -64,7 +64,8 @@
     "   \n",
     "<img src=\"images/5.png\" >\n",
     "<caption><center> <u> **Figure 5** </u>: **卷积步长**<br> </center></caption>\n",
-    "   - 一般的，容易得到特征矩阵的大小与原图像和Kernel的关系可用下式表示（假设原图像大小为$n*n$,Kernel的大小为$f*f$,Padding的大小为$P$,那么输出的大小为$\\frac{n+2p-f}{2}+1 * \\frac{n+2p-f}{2}+1$.\n",
+    "   - 一般的，容易得到特征矩阵的大小与原图像和Kernel的关系可用下式表示（假设原图像大小为$n*n$,Kernel的大小为$f*f$,Padding的大小为$P$,那么输出的大小为$\\frac{n+2p-f}{S}+1 * \\frac{n+2p-f}{S}+1$.\n",
+    "   \n",
     "**三维卷积**：\n",
     "    \n",
     "   - 三维卷积即是一维卷积和二维卷积的推广，事实上N维空间上的卷积形式是一样的，这里特地介绍三维卷积是为了描述RGB图像的边缘提取，黑白图像的维度可以用二维平面表示，而彩色图像需要用三维空间来表示，因为彩色图像有三个通道，所以在做卷积运算时，kernel的维度为从二维增加到三维，第三个维度的大小与彩色图像的必须通道数相同，$Figure 6$是三维卷积的演示，注意输出不是$4*4*3$，而是$4*4*1$。\n",

Coursera-deeplearning深度学习/课程4-卷积神经网络/week_1/assignment/5-机器学习系列（5）：卷积神经网络CNN之--原理及python实现.ipynb

@@ -64,7 +64,8 @@
     "   \n",
     "<img src=\"images/5.png\" >\n",
     "<caption><center> <u> **Figure 5** </u>: **卷积步长**<br> </center></caption>\n",
-    "   - 一般的，容易得到特征矩阵的大小与原图像和Kernel的关系可用下式表示（假设原图像大小为$n*n$,Kernel的大小为$f*f$,Padding的大小为$P$,那么输出的大小为$\\frac{n+2p-f}{2}+1 * \\frac{n+2p-f}{2}+1$.\n",
+    "   - 一般的，容易得到特征矩阵的大小与原图像和Kernel的关系可用下式表示（假设原图像大小为$n*n$,Kernel的大小为$f*f$,Padding的大小为$P$,那么输出的大小为$(\\frac{n+2p-f}{S}+1) *( \\frac{n+2p-f}{S}+1)$.\n",
+    "   \n",
     "**三维卷积**：\n",
     "    \n",
     "   - 三维卷积即是一维卷积和二维卷积的推广，事实上N维空间上的卷积形式是一样的，这里特地介绍三维卷积是为了描述RGB图像的边缘提取，黑白图像的维度可以用二维平面表示，而彩色图像需要用三维空间来表示，因为彩色图像有三个通道，所以在做卷积运算时，kernel的维度为从二维增加到三维，第三个维度的大小与彩色图像的必须通道数相同，$Figure 6$是三维卷积的演示，注意输出不是$4*4*3$，而是$4*4*1$。\n",