卷积核分解

参考于:《深度学习与目标检测》 杜鹏 仅供学习交流 GoogLeNet团队在Inception v2 :较大尺寸的卷积核可以带来较大的感受野,但也会带来更多的参数和计算量。 用两个连续的3X3的卷积核来代替一个5X5的卷积核,在保证感受野大小不变的同时可以减少参数个数,如下图 两个3X3的卷积核的参数数量为18,一个5X5的卷积核的参数数量为25,由此可见参数数量得以减少,且感受野大小不变。 一个
相关文章
相关标签/搜索