卷积神经网络中卷积核的每个值对应的就是权重一、卷积运算后特征图大小公式面试易考搭建神经网络需要计算P填充数量S步长按照该公式可能会出现OHOW为小数的情况不同框架下取整后的结果可能不同二、多通道卷积运算输入和卷积核的通道数一致一一对应每个通道的输入和卷积核一一对应做卷积运算最后把矩阵同一位置的值全部相加所以不论多少通道和一个卷积核运算后得到的特征图都是一层输出通道数由卷积核的个数来决定加入偏置b三、池化运算池化层无权重不算神经网络层示例S2P0FHFW2仍符合一中特征图公式FH和FW为感受点还有平均池化运算输出特征图的通道数经过池化层后不变四、卷积神经网络的整体结构全连接层把矩阵变为列向量
卷积神经网络中卷积核的每个值对应的就是权重一、卷积运算后特征图大小公式面试易考搭建神经网络需要计算P填充数量S步长按照该公式可能会出现OHOW为小数的情况不同框架下取整后的结果可能不同二、多通道卷积运算输入和卷积核的通道数一致一一对应每个通道的输入和卷积核一一对应做卷积运算最后把矩阵同一位置的值全部相加所以不论多少通道和一个卷积核运算后得到的特征图都是一层输出通道数由卷积核的个数来决定加入偏置b三、池化运算池化层无权重不算神经网络层示例S2P0FHFW2仍符合一中特征图公式FH和FW为感受点还有平均池化运算输出特征图的通道数经过池化层后不变四、卷积神经网络的整体结构全连接层把矩阵变为列向量
)
