卷积神经网络视频读书报告

本次学习的视频聚焦卷积神经网络（CNN）中边缘填充方法，给与我很大的启发
视频先详解卷积层四大关键参数，滑动窗口步长决定卷积核移动间隔，影响输出尺寸与效率；卷积核尺寸（如3×3、5×5）决定局部感知范围；边缘填充的作用是为避免特征图缩小和边缘信息丢失，在输入边缘填充0或其他值的操作，而卷积核个数则决定输出通道数，每个核学习不同特征模式。
接着阐述了边缘填充的原理与作用，其原理是在输入图像边缘添加额外像素（通常为0），让卷积核处理边缘区域时与中心区域计算方式一致。其作用一是能在采用合适填充方式时保持输出特征图尺寸与输入一致，避免多次卷积后特征图过度缩小，二是保留图像边缘特征信息，防止边缘像素在卷积中被“忽略”。
视频还推导了卷积结果计算公式，输出特征图长度为( H_2 = \frac{H_1 - F_h + 2P}{S} + 1 )，宽度为( W_2 = \frac{W_1 - F_w + 2P}{S} + 1 )，清晰呈现了输入输出尺寸、卷积核尺寸、步长和填充数之间的具体关系。
该视频通过动画演示和公式推导，直观且深入地解释了CNN边缘填充的原理、作用及计算。