Deep learning 跨步卷积&；剩余连接_Deep Learning

Deep learning 跨步卷积&；剩余连接

deep-learning

Deep learning 跨步卷积&；剩余连接,deep-learning,Deep Learning,我正在学习SwishNet，一种用于语音、音乐和噪声分类和分割的快速CNN 在这方面，他们使用了步进卷积和剩余净。通过stride=2 conv层后其输出长度为输入长度的一半我的问题是，即使输出和输入（剩余连接）的数组维度不匹配，如何合并它们 G.A只是门控激活功能，因此不会影响输出维度如果您查看Gate Activation（G.A）借用的参考文件，您会注意到它使用了以下公式：虽然stride=2将维度减少到输入大小的一半，但是G.A层与适当的W维度产生与输入维度相同的维度，这意味着不

我正在学习SwishNet，一种用于语音、音乐和噪声分类和分割的快速CNN

在这方面，他们使用了步进卷积和剩余净。通过

stride=2 conv层后

其输出长度为输入长度的一半

我的问题是，即使输出和输入（剩余连接）的数组维度不匹配，如何合并它们

G.A只是门控激活功能，因此不会影响输出维度

如果您查看Gate Activation（G.A）借用的参考文件，您会注意到它使用了以下公式：

虽然

stride=2

将维度减少到输入大小的一半，但是G.A层与适当的

维度产生与输入维度相同的维度，这意味着不会出现不匹配维度