{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":204,"pdf_page":220,"physical_index":220,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"500f8da6482ef46e4a4007b817b8a095f571fd7adab64c8ee54b475857aba7b9"},"chapter":"第7章","content":"将当前选定的矩阵与卷积核矩阵对应元素相乘，得到1，将其填入第2个格中，图7-17所示。\n\n以此类推，第二行第一个方格通过原矩阵第2到4行、第1到3列围成的区域与卷积核相乘得到。第三行第三个方格由原矩阵右下角的方阵与卷积核相乘所得。最终即可得到结果。\n\n7.4.2 卷积层\n\n通过上面的介绍，我们知道了一个方阵可以和一个卷积核（同样为一个方阵）进行卷积运算，得到一个新的方阵。假设输入矩阵为 $\\mathrm { h } ^ { \\ast } \\mathrm { w }$ (h为长度，w为宽度，通常h与w相等），卷积核为f\\*f,那么得到的输出矩阵的长度和宽度为h-f+1和w-f+1。通常f的值不大，一定小于h和w，3\\*3、5\\*5、7\\*7的卷积核比较常见。\n\n这只是卷积运算最“标准”的情况。要了解卷积神经网络中卷积运算的实际操作，我们还需要了解Padding和Strike的概念。事实上，我们可以通过Padding和Strike得到尺寸和上述计算不一样的矩阵。Padding和Strike也是卷积运算中极为重要的概念，可以通过调节它们改变我们想要的输出矩阵的格式。\n\nPadding\n\nPadding指的是对输入矩阵的尺寸进行“扩展”，在矩阵外围增加一个“套环”（通常由0来填充）。比如，一个3\\*3的矩阵通过Padding得到了一个5\\*5的矩阵。Padding的参数p是在进行一次卷积运算中可以控制的参数。通过设置参数p，我们可以控制输出层想要得到的矩阵的尺寸。\n\n●从二维到三维\n\n我们知道，卷积神经网络在计算机视觉领域被广泛应用。在图像处理中，我们的输入数据不止停留在二维。二维像素点矩阵只能描述黑白图片，绝大多数图片为彩色，是由3个频道(通常为R、G、B三原色）的像素点方阵组成的，所以具有3个维度。\n\n人工智能与大数据技术导论\n\n204","previous_page":203,"next_page":205}