开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

使用MultiDimensional (2D)数组作为核卷积矩阵的枚举

MultiDimensional (2D)数组是一种数据结构，它可以存储和操作多维数据。在云计算领域中，MultiDimensional (2D)数组常被用作核卷积矩阵的输入。

核卷积是一种常用的图像处理和模式识别技术，用于提取图像中的特征。核卷积矩阵是一个二维数组，其中的元素代表了卷积核的权重。通过将核卷积矩阵与输入图像进行卷积运算，可以得到一个特征图，其中的每个像素值代表了对应位置的特征强度。

使用MultiDimensional (2D)数组作为核卷积矩阵的枚举，意味着可以通过枚举所有可能的核卷积矩阵来寻找最佳的特征提取方式。枚举的过程可以通过遍历MultiDimensional (2D)数组的所有元素来实现。对于每个元素，可以尝试不同的权重值，并计算对应的特征图。通过比较不同权重值下的特征图，可以选择最佳的核卷积矩阵。

使用MultiDimensional (2D)数组作为核卷积矩阵的枚举具有以下优势：

灵活性：MultiDimensional (2D)数组可以表示各种不同大小和形状的核卷积矩阵，从而适应不同的特征提取需求。
可扩展性：通过增加数组的维度，可以实现更高维度的核卷积矩阵，以提取更复杂的特征。
高效性：使用MultiDimensional (2D)数组可以利用现有的高性能计算库和算法，以加速核卷积矩阵的枚举过程。

MultiDimensional (2D)数组作为核卷积矩阵的枚举在图像处理、模式识别、计算机视觉等领域有广泛的应用。例如，在人脸识别中，可以使用MultiDimensional (2D)数组枚举不同的核卷积矩阵，以提取人脸特征。在图像分类中，可以使用MultiDimensional (2D)数组枚举不同的核卷积矩阵，以提取图像中的纹理特征。

腾讯云提供了一系列与图像处理相关的产品，可以用于支持MultiDimensional (2D)数组作为核卷积矩阵的枚举。其中，腾讯云图像处理服务（https://cloud.tencent.com/product/imagex）提供了丰富的图像处理功能，包括图像滤波、边缘检测等，可以用于核卷积矩阵的计算。此外，腾讯云还提供了弹性计算、存储、人工智能等相关产品，可以用于支持核卷积矩阵的枚举过程。

总结：MultiDimensional (2D)数组作为核卷积矩阵的枚举是一种常用的图像处理技术，可以通过枚举不同的核卷积矩阵来寻找最佳的特征提取方式。它具有灵活性、可扩展性和高效性等优势，并在图像处理、模式识别等领域有广泛应用。腾讯云提供了一系列与图像处理相关的产品，可以支持核卷积矩阵的枚举过程。

相关搜索:在R中使用NAs的交叉核2D卷积使用阵列数组(2D)或一维数组实现更高效的矩阵？numpy:使用一维数组作为2D数组索引的有效方法使用字符串枚举作为键名的Typescript联合数组如何使用numpy einsum函数对3D数组执行矩阵乘法，以获得2D的乘积矩阵？使用4表示循环的2d矩阵上的数组下标的类型“int[int]”无效 html图片变为搜索 html页面语言大全 html常用标签排序 html改变项目符号

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

C语言定义数组时使用枚举作为数组的下标

所以这里通常都使用枚举变量作为下标来访问数组。...，如下顶一个了一个枚举类型，用来作为访问数组的脚标。...看似可读性高的代码其实也是硬编码作为脚标，如果在输入数据时候数组和枚举的顺序有一些变化，就会出现bug，且这个bug很难被发现。...且这个枚举是作为SDK提供给上层，且你的代码不公开，这样会出现很大问题。...为了避免这种隐患可以在定义数组时候使用枚举作为数组的下标，这样即使数据输入混乱，但是只要数组定义时候枚举下标定义和数组成员可以对应正确就可以避免这种错误。

3.5K3 0

C语言定义数组时使用枚举作为数组的下标 ——c99功能

__VA_ARGS__ 使用宏的时候，允许省略参数，被省略的参数会被扩展成空串。...long, long double _Complex, float _Complex 等类型支持不定长的数组，即数组长度可以在运行时决定，比如利用变量作为数组长度。...声明时使用 int a[var] 的形式。不过考虑到效率和实现，不定长数组不能用在全局，或 struct 与 union 。...支持 16 进制的浮点数的描述。 printf scanf 的格式化串增加了对 long long int 类型的支持。浮点数的内部数据描述支持了新标准，可以使用 #pragma 编译器指令指定。...为了避免这种隐患可以在定义数组时候使用枚举作为数组的下标，这样即使数据输入混乱，但是只要数组定义时候枚举下标定义和数组成员可以对应正确就可以避免这种错误。

1.2K6 0

OpenCV 滤波与卷积之 —— 自定义核卷积

本文摘录OpenCV 中的卷积、滤波相关操作内容，重点介绍 Opencv 操作中自定义核进行卷积的操作。...卷积核分解理论上说，我们只要用一个数组表示一个核，然后放进一个函数，就可以用来卷积了。实际情况中，一些不起眼的地方却会在很大程度上影响到性能，可分解的矩阵通常会产生这种影响。...两个矩阵进行卷积所产生的消耗可以用两个矩阵的面积之积近似，如此一来，用n×n的核对面积为A的图像进行卷积所需的时间时An^2,但如果分解成n×1和1×n的两个核，那么代价就是An+An=2An,因此分解卷积核可以提高提高卷积计算的效率...cv2.filter() 官方文档使用自定义的卷积核对图像进行卷积函数使用 cv2.filter2D( src, # 源图像 ddepth, # 输出图像深度 kernel[...2D 高斯核 G_{2d}=G_{1d}G_{1d}^T 示例代码 g1d = cv2.getGaussianKernel(9, 3) g2d = np.matmul(g1d, g1d.T) PIS(

2.4K1 0

TF-char10-卷积神经网络CNN

通过权值共享的方式，每层使用相同的权值矩阵W，网络层的参数量总是k*k。k的取值一般是比较小的。 ? 通过上面的权值共享矩阵W和感受野内部的像素相乘累加，得到了左上角像素的输出值 ?...2D离散卷积核运算流程：每次通过移动卷积核窗口函数与图片对应位置处的像素进行累加，得到位置的输出值。...卷积核即是窗口为k大小的权值矩阵W 大小为k的窗口的感受野与权值矩阵相乘累加，得到此位置的输出值通过权值共享，移动卷积核，提取每个位置上的像素特征，从左上到右下，完成卷积运算 ?...需要注意的情况是卷积核的通道数必须和输入X的通道数量进行匹配卷积核的第i个通道和X的第i个通道进行计算，得到第i个中间矩阵上面的步骤看做是单通道和单卷积核的计算过程，再把中间矩阵对应元素依次相加...多通道输入，多卷积核当出现多个卷积核，第i的卷积核与输入X运算之后得到第i个输出矩阵全部的输出矩阵在通道维度上进行拼接stack操作，创建输出通道数的新维度 ?

1.2K2 0

面试宝典之深度学习面试题(上)

答：一般而言，深度卷积网络是一层又一层的。层的本质是特征图, 存贮输入数据或其中间表示值。一组卷积核则是联系前后两层的网络参数表达体, 训练的目标就是每个卷积核的权重参数组。...不过人们更习惯把作为数据输入的前层的厚度称之为通道数 (比如RGB三色图层称为输入通道数为3），把作为卷积输出的后层的厚度称之为特征图数。...卷积核(filter)一般是3D多层的，除了面积参数, 比如3x3之外, 还有厚度参数H（2D的视为厚度1). 还有一个属性是卷积核的个数N。...卷积核厚度等于1时为2D卷积，对应平面点相乘然后把结果加起来，相当于点积运算；卷积核厚度大于1时为3D卷积，每片分别平面点求卷积，然后把每片结果加起来，作为3D卷积结果；1x1卷积属于3D卷积的一个特例...归纳之，卷积的意思就是把一个区域，不管是一维线段，二维方阵，还是三维长方块，全部按照卷积核的维度形状，对应逐点相乘再求和，浓缩成一个标量值也就是降到零维度，作为下一层的一个feature map的一个点的值

8252 0

【深度学习】你该会的精选面试题（一）

解析：一般而言，深度卷积网络是一层又一层的。层的本质是特征图, 存贮输入数据或其中间表示值。一组卷积核则是联系前后两层的网络参数表达体, 训练的目标就是每个卷积核的权重参数组。...不过人们更习惯把作为数据输入的前层的厚度称之为通道数（比如RGB三色图层称为输入通道数为3），把作为卷积输出的后层的厚度称之为特征图数。...卷积核(filter)一般是3D多层的，除了面积参数, 比如3x3之外, 还有厚度参数H（2D的视为厚度1). 还有一个属性是卷积核的个数N。...卷积核厚度等于1时为2D卷积，对应平面点相乘然后把结果加起来，相当于点积运算；卷积核厚度大于1时为3D卷积，每片分别平面点求卷积，然后把每片结果加起来，作为3D卷积结果；1x1卷积属于3D卷积的一个特例...归纳之，卷积的意思就是把一个区域，不管是一维线段，二维方阵，还是三维长方块，全部按照卷积核的维度形状，对应逐点相乘再求和，浓缩成一个标量值也就是降到零维度，作为下一层的一个feature map的一个点的值

7015 0

深度学习500问——Chapter05：卷积神经网络（CNN）（1）

卷积操作原理上其实是对两张像素矩阵进行点乘求和的数学操作，其中一个矩阵为输入的数据矩阵，另一个矩阵则为卷积核（滤波器或特征矩阵），求得的结果表示为原始图像中提取的特定局部特征。...激活层主要由激活函数组成，即在卷积层输出结果的基础上嵌套一个非线性函数，让输出的特征图具有非线性关系。...三维卷积 D卷积操作如图所示，同样分为单通道和多通道，且假定只使用1个卷积核，即输出图像仅有一个通道。...对于单通道输入，与2D卷积不同之处在于，输入图像多了一个深度(depth)维度，卷积核也多了一个维度，因此3D卷积核的尺寸为，每次滑窗与窗口内的值进行相关操作，得到输出3D图像中的一个值。...对于多通道输入，则与2D卷积的操作一样，每次滑窗与3个channels上的窗口内的所有值进行相关操作，得到输出3D图像中的一个值。

3072 0

用 Excel 来阐释什么是多层卷积

这次我们有4个输入通道，我们的卷积核也会用4个通道初始化。所以尽管我们使用了1D 卷积但是我们有一个2D 卷积核！...图2：一个卷积核大小为3 的1D 卷积，应用于一个4*6 的输入矩阵，输出一个1*4 的矩阵图3：单元格Q4使用的Excel公式进阶：在这种情况下，一个卷积核形状为（3,4）的2D卷积，...既然我们又回到了三维，在使用MS Excel之前，让我们先看一下three.js图。图5：与3x3内核的2D卷积应用于大小为5x5的3通道RGB输入，得到3x3的输出。...图9：一个1维的卷积层，拥有4个大小为3的卷积核，应用在形状 1x6 的矩阵上，给出了形状 4x4 的输出。...单击输出单元格检查公式，并尝试使用不同的内核值更改输出。在MXnet Gluon中复制您的结果后，我认为您可以在LinkedIn配置文件中正式添加“卷积大师”作为标题！

9172 0

一文读懂深度学习中的各种卷积！！

然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（4×1）转换为 2×2 的输出。...在空间可分卷积中，3x1核首先与图像卷积，然后再应用1x3核。这样，执行同样的操作时仅需6个参数，而不是9个。此外，使用空间可分离卷积时所需的矩阵乘法也更少。...用于创建有 128 层的输出的标准 2D 卷积，要使用 128 个过滤器首先，我们将深度卷积应用于输入层。但我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。...深度可分卷积——第一步：我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...现在，对于大小为 H×W×D 的输入图像，如果使用 Nc 个大小为 h×h×D 的核执行 2D 卷积（步幅为 1，填充为 0，其中 h 是偶数）。

3841 0

卷积有多少种？一文读懂深度学习中的各种卷积

在空间可分卷积中，3×1 核首先与图像卷积，然后再应用 1×3 核。这样，执行同样的操作时仅需 6 个参数，而不是 9 个。此外，使用空间可分卷积时所需的矩阵乘法也更少。...但我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...深度可分卷积——第一步：我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...现在，对于大小为 H×W×D 的输入图像，如果使用 Nc 个大小为 h×h×D 的核执行 2D 卷积（步幅为 1，填充为 0，其中 h 是偶数）。...基于此，如果使用 3×3 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 9 倍。如果使用 5×5 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 25 倍。

7472 0

卷积有多少种？一文读懂深度学习的各种卷积

在空间可分卷积中，3×1 核首先与图像卷积，然后再应用 1×3 核。这样，执行同样的操作时仅需 6 个参数，而不是 9 个。此外，使用空间可分卷积时所需的矩阵乘法也更少。...但我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...深度可分卷积——第一步：我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...现在，对于大小为 H×W×D 的输入图像，如果使用 Nc 个大小为 h×h×D 的核执行 2D 卷积（步幅为 1，填充为 0，其中 h 是偶数）。...基于此，如果使用 3×3 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 9 倍。如果使用 5×5 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 25 倍。

9084 1

卷积有多少种？一文读懂深度学习的各种卷积

在空间可分卷积中，3×1 核首先与图像卷积，然后再应用 1×3 核。这样，执行同样的操作时仅需 6 个参数，而不是 9 个。此外，使用空间可分卷积时所需的矩阵乘法也更少。...但我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...深度可分卷积——第一步：我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...现在，对于大小为 H×W×D 的输入图像，如果使用 Nc 个大小为 h×h×D 的核执行 2D 卷积（步幅为 1，填充为 0，其中 h 是偶数）。...基于此，如果使用 3×3 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 9 倍。如果使用 5×5 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 25 倍。

9302 0

一文读懂深度学习中的N种卷积

在空间可分卷积中，3×1 核首先与图像卷积，然后再应用 1×3 核。这样，执行同样的操作时仅需 6 个参数，而不是 9 个。此外，使用空间可分卷积时所需的矩阵乘法也更少。...但我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...深度可分卷积——第一步：我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...现在，对于大小为 H×W×D 的输入图像，如果使用 Nc 个大小为 h×h×D 的核执行 2D 卷积（步幅为 1，填充为 0，其中 h 是偶数）。...基于此，如果使用 3×3 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 9 倍。如果使用 5×5 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 25 倍。

9262 0

【DL】一文读懂深度学习中的N种卷积

在空间可分卷积中，3×1 核首先与图像卷积，然后再应用 1×3 核。这样，执行同样的操作时仅需 6 个参数，而不是 9 个。此外，使用空间可分卷积时所需的矩阵乘法也更少。...但我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...深度可分卷积——第一步：我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...现在，对于大小为 H×W×D 的输入图像，如果使用 Nc 个大小为 h×h×D 的核执行 2D 卷积（步幅为 1，填充为 0，其中 h 是偶数）。...基于此，如果使用 3×3 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 9 倍。如果使用 5×5 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 25 倍。

6492 0

万字长文带你看尽深度学习中的各种卷积网络

但根本上来讲，二者还是有些细微区别的：「卷积核」指的是指权重组成的 2D 数组；「过滤器」则是由多个卷积核堆叠在一起的 3D 架构概念。...看待 2D 卷积的另一个角度：将这个过程视作将一个 3D 过滤器矩阵滑动通过输入层。注意，这个输入层和过滤器的深度都是相同的（即通道数=卷积核数）。...下图表示使用卷积核大小为 3、步长为 1；填充为 1 的 2D 卷积： ?...我们在 2D 卷积中分别使用 3 个卷积核（每个过滤器的大小为 3 x 3 x 1），而不使用大小为 3 x 3 x 3 的单个过滤器。...深度可分离卷积—第一步：在 2D 卷积中分别使用 3 个卷积核（每个过滤器的大小为 3 x 3 x 1），而不使用大小为 3 x 3 x 3 的单个过滤器。

6641 0

一文读懂 12种卷积方法

然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（4×1）转换为 2×2 的输出。...在空间可分卷积中，3×1 核首先与图像卷积，然后再应用 1×3 核。这样，执行同样的操作时仅需 6 个参数，而不是 9 个。此外，使用空间可分卷积时所需的矩阵乘法也更少。...但我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...深度可分卷积——第一步：我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...现在，对于大小为 H×W×D 的输入图像，如果使用 Nc 个大小为 h×h×D 的核执行 2D 卷积（步幅为 1，填充为 0，其中 h 是偶数）。

8863 0

一文读懂深度学习中的N种卷积

在空间可分卷积中，3×1 核首先与图像卷积，然后再应用 1×3 核。这样，执行同样的操作时仅需 6 个参数，而不是 9 个。此外，使用空间可分卷积时所需的矩阵乘法也更少。...但我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...深度可分卷积——第一步：我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...现在，对于大小为 H×W×D 的输入图像，如果使用 Nc 个大小为 h×h×D 的核执行 2D 卷积（步幅为 1，填充为 0，其中 h 是偶数）。...基于此，如果使用 3×3 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 9 倍。如果使用 5×5 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 25 倍。

7660 0

【DL】一文读懂深度学习中的N种卷积

在空间可分卷积中，3×1 核首先与图像卷积，然后再应用 1×3 核。这样，执行同样的操作时仅需 6 个参数，而不是 9 个。此外，使用空间可分卷积时所需的矩阵乘法也更少。...但我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...深度可分卷积——第一步：我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...现在，对于大小为 H×W×D 的输入图像，如果使用 Nc 个大小为 h×h×D 的核执行 2D 卷积（步幅为 1，填充为 0，其中 h 是偶数）。...基于此，如果使用 3×3 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 9 倍。如果使用 5×5 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 25 倍。

7451 0

再谈“卷积”的各种核心设计思想，值得一看！

在空间可分卷积中，3×1 核首先与图像卷积，然后再应用 1×3 核。这样，执行同样的操作时仅需 6 个参数，而不是 9 个。此外，使用空间可分卷积时所需的矩阵乘法也更少。...但我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...深度可分卷积——第一步：我们不使用 2D 卷积中大小为 3×3×3 的单个过滤器，而是分开使用 3 个核。每个过滤器的大小为 3×3×1。每个核与输入层的一个通道卷积（仅一个通道，而非所有通道！）。...现在，对于大小为 H×W×D 的输入图像，如果使用 Nc 个大小为 h×h×D 的核执行 2D 卷积（步幅为 1，填充为 0，其中 h 是偶数）。...基于此，如果使用 3×3 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 9 倍。如果使用 5×5 过滤器，则 2D 卷积所需的乘法次数是深度可分卷积的 25 倍。

1.1K4 0

万字长文带你看尽深度学习中的各种卷积网络

但根本上来讲，二者还是有些细微区别的：「卷积核」指的是指权重组成的 2D 数组；「过滤器」则是由多个卷积核堆叠在一起的 3D 架构概念。...看待 2D 卷积的另一个角度：将这个过程视作将一个 3D 过滤器矩阵滑动通过输入层。注意，这个输入层和过滤器的深度都是相同的（即通道数=卷积核数）。...下图表示使用卷积核大小为 3、步长为 1；填充为 1 的 2D 卷积： ?...我们在 2D 卷积中分别使用 3 个卷积核（每个过滤器的大小为 3 x 3 x 1），而不使用大小为 3 x 3 x 3 的单个过滤器。...深度可分离卷积—第一步：在 2D 卷积中分别使用 3 个卷积核（每个过滤器的大小为 3 x 3 x 1），而不使用大小为 3 x 3 x 3 的单个过滤器。

8013 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭