Réseau neuronal convolutif (y compris le Code et l'illustration correspondante)

1.Problèmes de calcul connexes dans les réseaux neuronaux convolutifs

（1）Simple Convolution bidimensionnelle

（2）Ajouter le remplissage（padding）
Note:：Dans la figure ci - dessousphPour lespaddingDeux fois la valeur

（3）Ajouter le remplissage（padding）Et le pas（stride）

Noyau de convolution et filtre（fliter）Il y a une différence,Le noyau de convolution est un concept bidimensionnel,Les filtres sont assemblés par un ou plusieurs noyaux de convolution.

2.Apprendre la construction de réseaux neuronaux convolutifs à travers un exemple

Construire le réseau neuronal ci - dessus avec le code suivant

class ConvNet(nn.Module):
    def __init__(self):
        super(ConvNet, self).__init__()
        self.layer1 = nn.Sequential(
            nn.Conv2d(1, 32, kernel_size=5, stride=1, padding=2),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.layer2 = nn.Sequential(
            nn.Conv2d(32, 64, kernel_size=5, stride=1, padding=2),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.drop_out = nn.Dropout()
        self.fc1 = nn.Linear(7 * 7 * 64, 1000)
        self.fc2 = nn.Linear(1000, 10)
	def forward(self, x):
    	out = self.layer1(x)
    	out = self.layer2(out)
    	out = out.reshape(out.size(0), -1)
    	out = self.drop_out(out)
    	out = self.fc1(out)
    	out = self.fc2(out)
    	return out

3.Contenu connexe du réseau neuronal convolutif

Remplissage et pas dans la couche de convolution

Lorsque le noyau de convolution est plus grand ou que l'image est trop petite après plusieurs convolutions, envisager de l'atténuer par l'opération de remplissage

Lorsque la taille de l'image d'entrée est plus grande , Sous un petit noyau de convolution, il faut de nombreuses couches de calcul pour






8-5+1+4=8
8-3+1+2=8

8 / 2 = 4

（8-3+0+3）/3=2
（8-5+2+4）/4=2

Canaux Multi - entrées et multi - sorties dans la couche de convolution