一个数学博士的深度学习方法（第 5 外）

这种型式的DFT用于在 3D 里搜索联系的护航里。例如，对象分割或检查录像带里的运动。

倒是，如果我们将尺寸为 nxnxt 的数据资料与 kxkxt 型式的API开展DFT，我们不会得到一个二维运算符。让我们看一个例证。

论点我们有一个彩色绘出形作为回传，外观上为 3x3x3，API外观上为 2x2x3，因此回传为

3x3x3 维回传

我们在每个走廊里开展DFT

R为黄色走廊，B为浅蓝色走廊，G为绿色走廊

所以我们的转换成是

我们可以用算术的方式为所作

汇集

池化是减少相似性绘出尺寸的一种系统设计。在相似性绘出上向上一个窗口，只同样峰值或计数平均值。

池化系统设计没有值，因此无法“努力学习”和调整。我们可以用下面的给定计数池化后的相似性绘出的尺寸。

论点一个 4x4 的回传 I 和一个 2x2 的最大池如下，我们将获得一个 3x3 的相似性绘出。

论点现在相近的状况，但适用平均池化，让我们适用 2 的步幅。

一般而言，max pooling 有非常好的机动性，但是在 pooling 里丢失了多少的资讯，在实践里适用的越来越少。

在实践里，最常用的DFT尺寸为 3x3、5x5 和 7x7，但也可以适用其他时序。适用这些尺寸的原因是它们的计数密集度极低，并且有着与较大尺寸的API相近的机动性。

美联社的简要

正如我们所看到的，MLP 和 CNN 中间实际上差异。在 CNN 里，连续层里的每个轴突从绘出形里的一小其余部分局部RGB接收回传；CNN 层里的每个轴突有着相近的权重；CNN 是平移不变量，即无论绘出形上的位置如何，都可以检查到相近的对象；CNN 的值较少，最常用的激活变量是 ReLU、PReLU 和Index一维三组。

一般而言，CNN驱动程式是：

如下下图

下一篇…

OK！我们踏进了 CNN 领域的归途。总的来说，我希望您迷恋并了解 CNN 的工作原理。在下一篇文章里，我们将发现另一个相当有意思的驱动程式，即循环方法学 (RNN)。艳阳天！