1 卷積層
- 稀疏交互:減少時間複雜度,提高運算時間。
- 參數共享:
- 降低模型參數的存儲需求,提高統計效率。
- 參數共享的特殊形式使得神經網絡層具有對平移等變(equivariance)的性質
1.1 卷積神經網絡的感受野
1.1.1 感受野的概念
感受野就是視覺感受區域的大小。在卷積神經網絡中,感受野的定義是 卷積神經網絡每一層輸出的特徵圖(feature map)上的像素點在原始圖像上映射的區域大小
1.1.2 感受野的計算
- 第一層卷積層的輸出特徵圖像素的感受野的大小等於濾波器的大小
- 計算感受野大小時,忽略了圖像邊緣的影響,不考慮padding的大小
- strides的概念
- 感受野大小的計算採用top to down的方式, 即先計算最深層在前一層上的感受野,然後逐漸傳遞到第一層。
具體推導:
##1.2 卷積層的參數量和計算量
輸入爲28×28的單通道圖,經過一層卷積以後輸出爲24×24×20,卷積核的數量爲20。再經過一層pooling層尺寸爲12×12×20。則單樣本前向傳播計算量爲:5×5×24×24×20 = 288 000,實際計算量還應乘以batchsize = 64。卷積層參數數量爲:5×5×20 = 500。計算量和參數比爲:288000/500 = 576.
2 池化層
- 局部平移不變性是一個很有用的性質,尤其是當我們關心某個特徵是否出現而不關心它出現的具體位置時。平移的不變性是指當我們對輸入進行少量平移時,經過池化函數後的大多數輸出並不會發生改變。
- 增大特徵圖的感受野
3 全連接層
卷積部分得到的featuremap爲4×4×50,全連接部分是將featuremap展開成一維向量再與全連接相連。所以單樣本前向傳播計算量爲:4×4×50×500 = 400 000,參數數量爲4×4×50×500 = 400 000。在全連接中計算量和參數比始終爲1,就是源於全連接的特性。