国外做内容网站,全国房产信息查询网,wordpress 注册图片,潮州住房与建设局网站在卷积神经网络#xff08;CNN#xff09;中为什么可以使用多个较小的卷积核替代一个较大的卷积核#xff0c;以达到相同的感受野
flyfish
在卷积神经网络#xff08;CNN#xff09;中#xff0c;可以使用多个较小的卷积核替代一个较大的卷积核#xff0c;以达到相同的…在卷积神经网络CNN中为什么可以使用多个较小的卷积核替代一个较大的卷积核以达到相同的感受野
flyfish
在卷积神经网络CNN中可以使用多个较小的卷积核替代一个较大的卷积核以达到相同的感受野。具体来说 两个3x3的卷积核堆叠可以替代一个5x5的卷积核。这样每个输出单元都能够感受到一个5x5区域的输入信息。 三个3x3的卷积核堆叠可以替代一个7x7的卷积核。这意味着通过三层3x3卷积最终的输出单元可以感受到一个7x7区域的输入信息。 四个3x3的卷积核堆叠可以替代一个9x9的卷积核。通过四层3x3卷积输出单元能够覆盖一个9x9区域的输入信息。 import numpy as np# 输入特征图
input_feature_map np.array([[1, 2, 3, 0, 1],[4, 5, 6, 1, 2],[7, 8, 9, 2, 3],[1, 2, 3, 0, 1],[4, 5, 6, 1, 2]
])# 卷积核
kernel np.array([[1, 0, -1],[1, 0, -1],[1, 0, -1]
])# 输出特征图的大小
output_height input_feature_map.shape[0] - kernel.shape[0] 1
output_width input_feature_map.shape[1] - kernel.shape[1] 1
output_feature_map np.zeros((output_height, output_width))# 计算总计算量
total_computations 0# 进行卷积操作
for i in range(output_height):for j in range(output_width):# 提取当前窗口的子矩阵current_window input_feature_map[i:ikernel.shape[0], j:jkernel.shape[1]]# 进行逐元素乘法并求和output_feature_map[i, j] np.sum(current_window * kernel)# 计算当前窗口的计算量total_computations np.prod(kernel.shape) # 3x3 次乘法print(输出特征图:)
print(output_feature_map)
print(总计算量 (乘法次数):, total_computations)在进行卷积操作时对于输入特征图大小 5 × 5 5 \times 5 5×5 和卷积核大小 3 × 3 3 \times 3 3×3输出特征图的大小是 ( 5 − 3 1 ) × ( 5 − 3 1 ) 3 × 3 (5 - 3 1) \times (5 - 3 1) 3 \times 3 (5−31)×(5−31)3×3。在每个输出位置我们需要进行 3 × 3 9 3 \times 3 9 3×39 次乘法计算总的计算量是 3 × 3 × 9 81 3 \times 3 \times 9 81 3×3×981 次乘法。
1 2 3 0 1 1 2 3 2 3 0 3 0 1
4 5 6 1 2 4 5 6 5 6 1 6 1 2
7 8 9 2 3 7 8 9 8 9 2 9 2 34 5 6 1 2 4 5 6 5 6 1 6 1 2
7 8 9 2 3 7 8 9 8 9 2 9 2 3
1 2 3 0 1 1 2 3 2 3 0 3 0 17 8 9 2 3 7 8 9 8 9 2 9 2 3
1 2 3 0 1 1 2 3 2 3 0 3 0 1
4 5 6 1 2 4 5 6 5 6 1 6 1 2计算卷积操作的计算量
在计算卷积操作的总计算量时可以使用以下公式 总计算量 (乘法次数) ( H − K 1 ) × ( W − K 1 ) × K × K × C i n × C o u t \text{总计算量 (乘法次数)} (H - K 1) \times (W - K 1) \times K \times K \times C_{in} \times C_{out} 总计算量 (乘法次数)(H−K1)×(W−K1)×K×K×Cin×Cout 其中 H H H 和 W W W 是输入特征图的高度和宽度。 K K K 是卷积核的大小假设为方形即 K × K K \times K K×K。 C i n C_{in} Cin 是输入通道数。 C o u t C_{out} Cout 是输出通道数。
应用公式计算示例
对于一个 5x5 的输入特征图和 3x3 的卷积核假设输入通道数和输出通道数都为 1 输入特征图大小 H 5 H 5 H5, W 5 W 5 W5 卷积核大小 K 3 K 3 K3 输入通道数 C i n 1 C_{in} 1 Cin1 输出通道数 C o u t 1 C_{out} 1 Cout1
将这些值代入公式中 总计算量 (乘法次数) ( 5 − 3 1 ) × ( 5 − 3 1 ) × 3 × 3 × 1 × 1 \text{总计算量 (乘法次数)} (5 - 3 1) \times (5 - 3 1) \times 3 \times 3 \times 1 \times 1 总计算量 (乘法次数)(5−31)×(5−31)×3×3×1×1
计算 总计算量 (乘法次数) 3 × 3 × 3 × 3 81 \text{总计算量 (乘法次数)} 3 \times 3 \times 3 \times 3 81 总计算量 (乘法次数)3×3×3×381 ( H − K 1 ) × ( W − K 1 ) (H - K 1) \times (W - K 1) (H−K1)×(W−K1) 计算的是输出特征图的大小这里是 3 × 3 3 \times 3 3×3。 每个输出特征图的位置上进行 K × K × C i n K \times K \times C_{in} K×K×Cin 次乘法计算这里是 3 × 3 × 1 9 3 \times 3 \times 1 9 3×3×19 次乘法。 计算量是输出特征图的元素数量乘以每个元素的计算量即 9 × 9 81 9 \times 9 81 9×981 次乘法。
例子
如果输入特征图是 28 × 28 28 \times 28 28×28计算两个 3x3 卷积核堆叠和一个 5x5 卷积核的计算量并比较它们。
情况 1两个 3x3 卷积核堆叠
第一个 3x3 卷积核 输入特征图大小 28 × 28 28 \times 28 28×28 输出特征图大小 ( 28 − 3 1 ) × ( 28 − 3 1 ) 26 × 26 (28 - 3 1) \times (28 - 3 1) 26 \times 26 (28−31)×(28−31)26×26 计算量 26 × 26 × 3 × 3 × C i n × C m i d 26 \times 26 \times 3 \times 3 \times C_{in} \times C_{mid} 26×26×3×3×Cin×Cmid
第二个 3x3 卷积核 输入特征图大小 26 × 26 26 \times 26 26×26 输出特征图大小 ( 26 − 3 1 ) × ( 26 − 3 1 ) 24 × 24 (26 - 3 1) \times (26 - 3 1) 24 \times 24 (26−31)×(26−31)24×24 计算量 24 × 24 × 3 × 3 × C m i d × C o u t 24 \times 24 \times 3 \times 3 \times C_{mid} \times C_{out} 24×24×3×3×Cmid×Cout 计算量 3 × 3 26 × 26 × 9 × C i n × C m i d 24 × 24 × 9 × C m i d × C o u t \text{计算量}_{3\times3} 26 \times 26 \times 9 \times C_{in} \times C_{mid} 24 \times 24 \times 9 \times C_{mid} \times C_{out} 计算量3×326×26×9×Cin×Cmid24×24×9×Cmid×Cout
情况 2一个 5x5 卷积核 输入特征图大小 28 × 28 28 \times 28 28×28 输出特征图大小 ( 28 − 5 1 ) × ( 28 − 5 1 ) 24 × 24 (28 - 5 1) \times (28 - 5 1) 24 \times 24 (28−51)×(28−51)24×24 计算量 24 × 24 × 5 × 5 × C i n × C o u t 24 \times 24 \times 5 \times 5 \times C_{in} \times C_{out} 24×24×5×5×Cin×Cout
示例计算
假设输入和输出通道数都为 1
第一个 3x3 卷积核 输出特征图大小 26 × 26 26 \times 26 26×26 计算量 26 × 26 × 9 × 1 × 1 6084 26 \times 26 \times 9 \times 1 \times 1 6084 26×26×9×1×16084
第二个 3x3 卷积核 输出特征图大小 24 × 24 24 \times 24 24×24 计算量 24 × 24 × 9 × 1 × 1 5184 24 \times 24 \times 9 \times 1 \times 1 5184 24×24×9×1×15184 总计算量 计算量 3 x 3 6084 5184 11268 \text{计算量}_{3x3} 6084 5184 11268 计算量3x36084518411268
一个 5x5 卷积核 输出特征图大小 24 × 24 24 \times 24 24×24 计算量 24 × 24 × 25 × 1 × 1 14400 24 \times 24 \times 25 \times 1 \times 1 14400 24×24×25×1×114400
def compute_3x3_stack_computation(H, W, C_in, C_out):# 第一个 3x3 卷积核output_height1 H - 3 1output_width1 W - 3 1computation_3x3_1 output_height1 * output_width1 * 3 * 3 * C_in * C_out# 第二个 3x3 卷积核output_height2 output_height1 - 3 1output_width2 output_width1 - 3 1computation_3x3_2 output_height2 * output_width2 * 3 * 3 * C_out * C_outtotal_computation_3x3 computation_3x3_1 computation_3x3_2return total_computation_3x3def compute_5x5_computation(H, W, C_in, C_out):# 一个 5x5 卷积核output_height H - 5 1output_width W - 5 1computation_5x5 output_height * output_width * 5 * 5 * C_in * C_outreturn computation_5x5# 示例参数
H, W, C_in, C_out 28, 28, 1, 1# 计算
computation_3x3 compute_3x3_stack_computation(H, W, C_in, C_out)
computation_5x5 compute_5x5_computation(H, W, C_in, C_out)# 减少的计算量百分比
reduction_percentage (1 - computation_3x3 / computation_5x5) * 100print(两个 3x3 卷积核堆叠的计算量:, computation_3x3)
print(一个 5x5 卷积核的计算量:, computation_5x5)
print(减少的计算量百分比:, reduction_percentage)两个 3x3 卷积核堆叠的计算量: 11268 一个 5x5 卷积核的计算量: 14400 减少的计算量百分比: 21.750000000000004 参考论文《Rethinking the Inception Architecture for Computer Vision》
