卷积

关于卷积神经网络体系设计的理论实现

卷积神经网络,简称CNN,常用于视觉图像分析的深度学习的人工神经网络。形象地来说,这些网络结构就是由生物的神经元抽象拟合而成的。正如,每个生物神经元可以相互通信一般,CNN根据输入产生类似的通信输出。

卷积网络中的通道(Channel)和特征图

今天介绍卷积网络中一个很重要的概念,通道(Channel),也有叫特征图(feature map)的。卷积网络中主要有两个操作,一个是卷积(Convolution),一个是池化(Pooling)。其中池化层并不会对通道之间的交互有影响,只是在各个通道中进行操作。

为什么要用空洞卷积?

我们知道正常的卷积已经能够提取特征了,那么空洞卷积又是做什么的呢?空洞卷积(atrous convolutions),又称扩张卷积(dilated convolutions),向卷积层引入了一个成为“扩张率(dilated rate)”的新参数,该参数定义了卷积核处理数据时各值的间距。

为什么 GPU 进行矩阵操作和卷积操作会比 CPU 要快?

比较 GPU 和 CPU ,就是比较它们两者如何处理任务。CPU 使用几个核心处理单元去优化串行顺序任务,而 GPU 的大规模并行架构拥有数以千计的更小、更高效的处理单元,用于处理多个并行小任务。CPU 拥有复杂的系统指令,能够进行复杂的任务操作和调度,两者是互补关系,而不能相互代替。