Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
weixin_46277002
DeepLearning
提交
7813c53c
D
DeepLearning
项目概览
weixin_46277002
/
DeepLearning
与 Fork 源项目一致
从无法访问的项目Fork
通知
1
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
DevOps
流水线
流水线任务
计划
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
D
DeepLearning
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
DevOps
DevOps
流水线
流水线任务
计划
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
流水线任务
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
7813c53c
编写于
6月 21, 2018
作者:
LSayhi
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
update
上级
17bfd908
变更
4
隐藏空白更改
内联
并排
Showing
4 changed file
with
4 addition
and
2 deletion
+4
-2
Coursera-deeplearning深度学习/5-机器学习系列(5):卷积神经网络CNN之--原理及python实现.pdf
...-deeplearning深度学习/5-机器学习系列(5):卷积神经网络CNN之--原理及python实现.pdf
+0
-0
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
...ints/5-机器学习系列(5):卷积神经网络CNN之--原理及python实现-checkpoint.ipynb
+2
-1
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
...ek_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
+2
-1
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.pdf
...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.pdf
+0
-0
未找到文件。
Coursera-deeplearning深度学习/5-机器学习系列(5):卷积神经网络CNN之--原理及python实现.pdf
浏览文件 @
7813c53c
无法预览此类型文件
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
浏览文件 @
7813c53c
...
...
@@ -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
浏览文件 @
7813c53c
...
...
@@ -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.pdf
浏览文件 @
7813c53c
无法预览此类型文件
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录