最佳答案
在深度進修中，卷積操縱是處理圖像等數據的常用手段。向量卷積中的'same'形式是卷積操縱中的一種界限填充方法，其目標是在輸出特徵圖尺寸與輸入特徵圖尺寸保持一致。本文將具體闡明'same'形式在向量卷積中是怎樣取值的。
簡言之，當我們在卷積神經網路中利用'same'形式時，卷積操縱的輸出特徵圖的尺寸將與輸入特徵圖的尺寸雷同。這意味著，無論卷積核的大小怎樣，輸出特徵圖的寬度跟高度都將與輸入特徵圖保持一致。
具體來說，'same'形式的打算方法依附於以下多少個參數：輸入特徵圖的尺寸（W×H），卷積核的大小（F），步長（S）以及填充（P）。在'same'形式下，填充P的打算公式如下：
P = (F - 1) / 2
當步長S為1時，利用上述填充P可能確保輸出特徵圖的尺寸與輸入特徵圖雷同。假如卷積核的大小是奇數，填充會在輸入特徵圖的兩側均勻增加額定的行跟列。假如卷積核的大小是偶數，則填充會在輸入特徵圖的一側增加更多的像素以保持輸出尺寸穩定。
以一個具體的例子來闡明：假設輸入特徵圖的尺寸為7×7，卷積核大小為3×3。根據'same'形式的打算，填充P將為1。因此，輸入特徵圖在卷積操縱之前會在每邊被填充1個像素，變為9×9。卷積操縱後，輸出特徵圖的尺寸仍然是7×7，因為(9 - 3) / 1 + 1 = 7。
總結一下，向量卷積中的'same'形式經由過程恰當的填充來保持輸入輸出特徵圖的尺寸一致。這種形式在實現卷積神經網路時非常有效，因為它簡化了尺寸管理的複雜性，並有助於保持特徵圖的剖析度。