20、卷积神经网络（CNN）与循环神经网络（RNN）入门指南

卷积神经网络（CNN）与循环神经网络（RNN）入门指南

1. 填充（Padding）与图像数据处理

在处理图像时，有时需要对矩阵进行填充操作，使结果矩阵与原始矩阵大小相同。常见的填充策略包括用零填充新增像素，或用最近像素的值填充等。例如，一个矩阵经过零填充后可能如下：

array([[ 0., 0., 0., 0., 0., 0., 0., 0.], [ 0., 0., 0., 30., 30., 0., 0., 0.], [ 0., 0., 0., 30., 30., 0., 0., 0.], [ 0., 0., 0., 30., 30., 0., 0., 0.], [ 0., 0., 0., 30., 30., 0., 0., 0.], [ 0., 0., 0., 30., 30., 0., 0., 0.], [ 0., 0., 0., 30., 30., 0., 0., 0.], [ 0., 0., 0., 0., 0., 0., 0., 0.]])

填充的使用和背后的原因较为复杂，但了解其存在很重要。若使用填充宽度为 $p$，在卷积和池化操作中，矩阵 $B$ 的最终维度计算公式为：$n_B=\left\lfloor\frac{n_A + 2p - n_K}{s}+1\right\rfloor$。

处理真实图像时，彩色图像通常编码为三个通道（RGB），这意味着卷积和池化操作需在三个维度（宽度、高度和颜色通道）上执行，增加了算法的复杂度。

2. CNN 的构建