形式化写出二维卷积计算公式
时间: 2023-11-10 22:06:43 浏览: 23
二维卷积计算公式如下:
$$
\begin{align}
(y\ast h)[i,j] &= \sum_{u=-k}^{k}\sum_{v=-k}^{k}x[i-u,j-v]h[u,v]\\
&= \sum_{u=0}^{2k}\sum_{v=0}^{2k}x[i+k-u,j+k-v]h[u,v]
\end{align}
$$
其中,$x$为输入矩阵,$h$为卷积核矩阵,$y$为输出矩阵,$k$为卷积核矩阵的半径。
相关问题
padding二维卷积计算公式
假设输入图像的大小为 $W_1 \times H_1$,卷积核的大小为 $W_2 \times H_2$,padding 的大小为 $P$,步长为 $S$,输出图像的大小为 $W_3 \times H_3$。
则,输出图像中的每个像素点 $(i,j)$ 的计算公式为:
$$
\begin{aligned}
O_{i,j} &= \sum_{m=1}^{W_2} \sum_{n=1}^{H_2} K_{m,n} \cdot I_{(i-1)\times S+m+P,(j-1)\times S+n+P} \\
&= \sum_{m=1}^{W_2} \sum_{n=1}^{H_2} K_{m,n} \cdot I_{i\times S+m-1+P,j\times S+n-1+P}
\end{aligned}
$$
其中,$I$ 表示输入图像,$K$ 表示卷积核,$O$ 表示输出图像。在计算时,需要将卷积核翻转后再与输入图像进行卷积操作。
二维卷积神经网络计算公式
二维卷积神经网络(Convolutional Neural Network, CNN)是一种常用于图像处理和计算机视觉任务的深度学习模型。下面是二维卷积神经网络的计算公式:
1. 输入数据:
假设输入数据为一个二维矩阵,通常表示为一个三维张量,形状为 [batch_size, height, width, channels],其中 batch_size 表示输入的样本数量,height 和 width 表示输入图像的高度和宽度,channels 表示输入图像的通道数。
2. 卷积操作:
卷积操作是二维卷积神经网络的核心操作,它通过滑动一个称为卷积核(或滤波器)的小矩阵在输入数据上进行计算。卷积操作的计算公式如下:
![convolution_formula](https://img-blog.csdnimg.cn/20211209153603634.png)
其中,* 表示卷积操作,i 和 j 分别表示输出特征图的位置,k 和 l 分别表示卷积核的位置,h 和 w 分别表示卷积核的高度和宽度,C_in 和 C_out 分别表示输入和输出特征图的通道数。
3. 激活函数:
在卷积操作之后,通常会对输出特征图应用激活函数,以引入非线性变换。常用的激活函数包括ReLU、Sigmoid、Tanh等。
4. 池化操作:
池化操作用于减小特征图的尺寸,并提取出主要特征。常用的池化操作有最大池化和平均池化。池化操作的计算公式如下:
![pooling_formula](https://img-blog.csdnimg.cn/20211209153603635.png)
其中,⨆ 表示池化操作,i 和 j 分别表示输出特征图的位置,k 和 l 分别表示池化窗口的位置,h 和 w 分别表示池化窗口的高度和宽度。
以上是二维卷积神经网络的计算公式。如果你还有其他问题,请继续提问。