vgg19全局平均池化代替全连接层_第四周[任务3]学习卷积和池化

一、任务简介

斯坦福CS231n关于卷积和池化课程

2017CS231n 斯坦福李飞飞计算机视觉识别_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili​www.bilibili.com

二、任务详情

学习卷积核和池化，掌握特征图与参数量的计算方法，掌握卷积的计算方式。

三、任务作业

1、卷积与全连接的区别

卷积层可以保全空间结构，对于32*32*3的输入图像，不是把它展成一个长的向量，而是三维数据输入，可以保持图片的结构

2、Input =224X224X3 filter=5X5 pad=0 strides=2 卷积核深度是多少， 使用1个filter卷积得到特征图尺寸

卷积核深度为3，要和输入图像的深度保持一致；

得到的特征图尺寸：（224+0*2-5）/2+1 = 110.5，取110，

最后尺寸大小为110*110*1

3、使用10个filter 卷积得到特征图尺寸，并求此时的参数量是多少(不包含偏置)

尺寸大小为：110*110*10.

参数量大小为：5*5*3*10=750

如果包含偏置的话：每一层5*5*3+1=76

总共参数量：76*10 = 760

4、1*1卷积的作用有哪些

可以改变通道数的大小

5、网络不同层学到的分别是什么特征（大概）

浅层卷积学习到的是一些低阶的图像特征（比如边缘特征），中间层学习到一些更加复杂的图像特征（比如边角和斑点），后边层是更加丰富的特征 。

6、池化层中最大池化和均值池化

最大池化保留了纹理特征,平均池化保留整体的数据特征

全局信息都有贡献时可以选择平均池化，在网络中一般在浅层使用最大池化过滤一些无用信息，在网络最后一般使用的是平均池化，因为网络深层的高级语义信息可以有助于分类器对类别进行分类。

一般不在池化层做padding操作

7、总结：

（1）卷积之后输出图像尺寸：

P：padding的设置（即是否用0填充图像边界）

F：卷积核大小

S：步长

若最后计算结果不为整数，比如9.5，卷积层向下取整（取9），池化层向上取整（取10）

（2）参数量和计算量：

计算量对应时间复杂度，参数量对应空间复杂度，计算量要看网络执行时间的长短，参数量要看占用显存的量

1）卷积层参数量计算（带偏置)：

2）卷积层参数量计算（不带偏置）：

3）卷积层的计算量（带偏置）：

4）卷积层的计算量（不带偏置）：

5）卷积层参数量和计算量的关系：

计算量=参数量*（

6）全连接层参数量计算（带偏置)：

7）全连接层参数量计算（不带偏置)：

全连接层的计算量和参数量相等