卷积层池化层全连接层计算公式
时间: 2023-09-14 12:15:31 浏览: 503
使用numpy从头开始实现神经网络,包括反向传播公式推导过程; numpy构建全连接层、卷积层、池化层、Flatten层
5星 · 资源好评率100%
卷积层的计算公式如下:
假设输入的特征图为 $X$,卷积核为 $K$,输出的特征图为 $Y$,卷积操作的步长为 $S$,填充的大小为 $P$,则卷积操作可以表示为:
$$Y_{i,j,k} = \sum_{u=0}^{C_{in}-1} \sum_{p=0}^{H_K-1} \sum_{q=0}^{W_K-1} X_{(i\times S +p -P), (j\times S +q -P), u}\times K_{p, q, u, k}$$
其中,$i$、$j$、$k$ 分别表示输出特征图 $Y$ 的第 $i$ 行、第 $j$ 列、第 $k$ 个通道的像素值。$C_{in}$ 表示输入特征图的通道数,$H_K$ 和 $W_K$ 分别表示卷积核的高度和宽度。
池化层的计算公式如下:
假设输入的特征图为 $X$,池化操作的大小为 $K$,步长为 $S$,则池化操作可以表示为:
$$Y_{i,j,k} = \max_{p=0}^{K-1} \max_{q=0}^{K-1} X_{(i\times S +p ), (j\times S +q ), k}$$
其中,$i$、$j$、$k$ 分别表示输出特征图 $Y$ 的第 $i$ 行、第 $j$ 列、第 $k$ 个通道的像素值。
全连接层的计算公式如下:
假设输入的特征向量为 $X$,权重矩阵为 $W$,偏置向量为 $b$,则全连接层的计算可以表示为:
$$Y = XW + b$$
其中,$Y$ 表示全连接层的输出。
阅读全文