目录
- 第四门课 卷积神经网络（Convolutional Neural Networks）
- 第一周 卷积神经网络（Foundations of Convolutional Neural Networks）
- 1.5 卷积步长（Strided convolutions）
- 1.6 三维卷积（Convolutions over volumes）
第四门课 卷积神经网络（Convolutional Neural Networks）
第一周 卷积神经网络（Foundations of Convolutional Neural Networks）
1.5 卷积步长（Strided convolutions）
卷积中的步幅是另一个构建卷积神经网络的基本操作，让我向你展示一个例子。
如果你想用 3×3 的过滤器卷积这个 7×7 的图像，和之前不同的是，我们把步幅设置成了2。你还和之前一样取左上方的 3×3 区域的元素的乘积，再加起来，最后结果为 91。
只是之前我们移动蓝框的步长是 1，现在移动的步长是 2，我们让过滤器跳过 2 个步长，注意一下左上角，这个点移动到其后两格的点，跳过了一个位置。然后你还是将每个元素相乘并求和，你将会得到的结果是 100。
现在我们继续，将蓝色框移动两个步长，你将会得到 83 的结果。当你移动到下一行的时候，你也是使用步长 2 而不是步长 1，所以我们将蓝色框移动到这里：
注意到我们跳过了一个位置，得到 69 的结果，现在你继续移动两个步长，会得到 91，127，最后一行分别是 44，72，74。
所以在这个例子中，我们用 3×3 的矩阵卷积一个 7×7 的矩阵，得到一个 3×3 的输出。输入和输出的维度是由下面的公式决定的。如果你用一个