感受野:对于第一次卷积,如果卷积核是3*3,那么卷积的感受野就是3*3,如果在此卷积上,再进行一次卷积的话,那么这次的卷积的感受野就是5*5
因为5*5的区域,卷积核为3*3, 卷积后每一个点的感受野是3*3,卷积后的区域为3*3
第二次卷积还用用3*3的卷积的话,第二次卷积的结果就变成了1*1,因此每一个点的感受野是5*5
对应于3次卷积的结果,每一点的感受野就是7*7,
由上式我们可以看出,对于3个3*3卷积后的感受野和一个7*7卷积核卷积的感受野是相同的,我们下面做一个比较,3个3*3卷积的参数要小于一个7*7,这样可以防止过拟合的情况,同时多层的relu激活,增加了卷积过程中的非线性,
网络结构技巧1:3个3*3卷积替换一个7*7卷积
网络结构技巧2:使用1*1*c*c/2, 3*3*c/2*c/2, 1*1*c/2*c 卷积来替换一个3*3的卷积
网络技巧总结
1.尽量使用3*3的卷积来替代5*5和7*7的卷积
2.使用1*1的卷积,用来增加或者减少矩阵的维度也是很有效的
3.将N*N的卷积转换为1*N和N*1的卷积
4.尽量给出较少的参数和较少的计算
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:深度学习原理与框架-卷积网络细节-网络设计技巧 1. 3个3*3替换7*7卷积核 2. 1*1 和 3*3 替换 3*3卷积核 - Python技术站