最佳答案
在深度进修中，卷积操纵是处理图像等数据的常用手段。向量卷积中的'same'形式是卷积操纵中的一种界限填充方法，其目标是在输出特点图尺寸与输入特点图尺寸保持分歧。本文将具体阐明'same'形式在向量卷积中是怎样取值的。
简言之，当我们在卷积神经收集中利用'same'形式时，卷积操纵的输出特点图的尺寸将与输入特点图的尺寸雷同。这意味着，无论卷积核的大小怎样，输出特点图的宽度跟高度都将与输入特点图保持分歧。
具体来说，'same'形式的打算方法依附于以下多少个参数：输入特点图的尺寸（W×H），卷积核的大小（F），步长（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
当步长S为1时，利用上述填充P可能确保输出特点图的尺寸与输入特点图雷同。假如卷积核的大小是奇数，填充会在输入特点图的两侧均匀增加额定的行跟列。假如卷积核的大小是偶数，则填充会在输入特点图的一侧增加更多的像素以保持输出尺寸稳定。
以一个具体的例子来阐明：假设输入特点图的尺寸为7×7，卷积核大小为3×3。根据'same'形式的打算，填充P将为1。因此，输入特点图在卷积操纵之前会在每边被填充1个像素，变为9×9。卷积操纵后，输出特点图的尺寸仍然是7×7，因为(9 - 3) / 1 + 1 = 7。
总结一下，向量卷积中的'same'形式经由过程恰当的填充来保持输入输出特点图的尺寸分歧。这种形式在实现卷积神经收集时非常有效，因为它简化了尺寸管理的复杂性，并有助于保持特点图的辨别率。