Copyright © 2025 jiayi-zhu
- 捲積與RELU激活函數
- 最大化池層的特徵提取
- Sliding Window:Stride，視窗每一步移動的距離稱為Stride(步輻)。
Padding:填充在執行滑動視窗計算時，有一個問題：如何處理輸入的邊界。完全位於輸入影像內部意味著視窗永遠不會像處理輸入中的其他像素那樣正好位於這些邊界像素上方。由於我們並非對所有像素都一視同仁，這會不會有問題？
卷積如何處理這些邊界值取決於其填充參數。在 TensorFlow 中，您有兩種選擇：padding='same' 或 padding='valid'。每種選擇都有其優缺點。
當我們設定 padding='valid' 時，卷積視窗將完全位於輸入內部。缺點是輸出會縮小（丟失像素），並且對於較大的捲積核，縮小幅度會更大。這會限制網路可以包含的層數，尤其是在輸入較小的情況下。
另一種方法是使用 padding='same'。這裡的技巧是在輸入的邊界周圍填充 0，使用剛好足夠的 0 來使輸出的大小與輸入的大小相同。然而，這可能會削弱邊界像素的影響。
- 客製化Convet::
- 1.載入資料 2.定義模型 3.訓練
- 數據增強: 通常，在增強資料集時會使用多種變換。這些變換可能包括旋轉影像、調整顏色或對比度、扭曲影像或其他許多操作，通常會組合使用。以下是單一影像可能進行的不同變換方式的示例。
1. 定義模型
2. 訓練和評估