cnn中卷積核步長有什麼影響？

1樓：帶帶小師弟

現在一般卷積核大小都為3，步長如果超過3會使得部分資訊沒有進行卷積計算。1或者2主要影響feature map的size。根據實際需求來決定吧

2樓：Deathallows

卷積核的Size代表感受野的大小，卷積核的步長度代表提取的精度：

例如：Size為3的卷積核，如果step為1，那麼相鄰步感受野之間就會有重複區域；如果step為2，那麼相鄰感受野不會重複，也不會有覆蓋不到的地方；如果step為3，那麼相鄰步感受野之間會有一道大小為1的縫隙，從某種程度來說，這樣就遺漏了原圖的資訊，直觀上理解是不好的。

另外，當卷積核step為1時，輸出矩陣Size會和輸入矩陣Size保持一致；而卷積核step為2時，由於跨步會導致輸出矩陣Size降低為輸入矩陣Size的一半。由此會產生一種類似「池化」的效果，利用這一特性可以代替池化層。

例如在ResNet中，每隔幾層Layer卷積核step就設定為2，以此替代池化層來對圖形的Size進行壓縮，完成某種程度上的降維同時減少計算量，而中間層Layer卷積核的大小依然保持為1。

而在上述ResNet的支路中，跳層前後的主路矩陣Size可能會不一致（由於上述壓縮導致），這時候通過調整支路卷積核step的大小就能將層前主路矩陣對映成和層後主路矩陣一樣的Size，以此保持tensor的正常流動。

3樓：CurvaNord

步長（stride）就是卷積核在你原圖上每一步移動的距離。

步長小，提取的特徵會更全面，不會遺漏太多資訊。但同時可能造成計算量增大，甚至過擬合等問題。

步長大，計算量會下降，但很有可能錯失一些有用的特徵。

步長選多少沒有一套明確的標準，還是要看你輸入影象的大小和卷積核的大小。

總之在計算資源夠用的前提下，最好不要讓你卷積核錯失太多特徵哈。