深度学习入门 : 基于Python的理论与实现

  第 7章　卷积神经网络

206

图7-5　卷积运算的偏置：向应用了滤波器的元素加上某个固定值（偏置）

1 2 3 0

0 1 2 3

3 0 1

2

3

0 1

0 1

15 16

6 15

2

1 0 2

2

2 3 0 1

输入数据 滤波器（权重） 偏置 输出数据

18 19

9 18

+

7.2.3

　填充

在进行卷积层的处理之前，有时要向输入数据的周围填入固定的数据（比

如 0 等），这称为填充（

padding

），是卷积运算中经常会用到的处理。比如，

在图7

-

6 的例子中，对大小为

(

4, 4

)

的输入数据应用了幅度为1 的填充。“幅

度为1 的填充”是指用幅度为 1像素的 0 填充周围。

1 2 3 0

0 1 2 3

3 0 1

2 0 1

0 1 2

1 0 2

2

2 3 0 1

(4, 4) (3, 3) (4, 4)

输入数据（padding:1） 输出数据滤波器

7 12 10 2

4 15 16 10

10 6 15 6

8 10 4 3

图7-6　 卷积运算的填充处理：向输入数据的周围填入0（图中用虚线表示填充，并省略了

填充的内容“0”）

如图7

-

6 所示，通过填充，大小为

(

4, 4

)

的输入数据变成了

(

6, 6

)

的形状。

然后，应用大小为

(

3, 3

)

的滤波器，生成了大小为

(

4, 4

)

的输出数据。这个例

子中将填充设成了 1，不过填充的值也可以设置成 2、3 等任意的整数。在图 7

-

5

的例子中，如果将填充设为2，则输入数据的大小变为

(

8, 8

)

；如果将填充设

为3，则大小变为

(

10, 10

)

。