Deep learning 跨步卷积&;剩余连接
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
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,这意味着不会出现不匹配维度