哪个网站建设好竞价排名是按照什么来计费的

转换知识基础

图像中使用的卷积一般为，正方形卷积核针对一个同等面积邻域的，进行相乘后邻域叠加到中心，相当于考虑中心像素的周围信息，做了一定的信息融合。

卷积相关参数

卷积前: input c1

卷积中: kernel 卷积核  stride 步长  padding 填充  group 分组卷积   w预训练权重

卷积后: BN 归一化  act  激活函数 

SAME: 相同的PAD

VALD: 不做任何填充

SAME和VASLID的优劣对比

 总结：stride=1 时使用 "SAME" 的优势

维度	说明
输出尺寸稳定	保持输入与输出尺寸一致，避免网络深层特征图过度缩小。
对称填充保证	自动计算对称填充量，与 PyTorch 的默认行为对齐，便于模型迁移。
代码简洁性	无需手动计算和添加填充层，减少冗余代码。
计算效率	框架原生优化填充操作，通常比手动填充更高效。

---

附：不同参数下的填充行为对比表

参数	stride=1 + "SAME"	stride=2 + 手动填充 + "VALID"
输出尺寸	与输入相同	按公式 ⌊H+2p−ks⌋+1⌊sH+2p−k​⌋+1 计算
填充方式	自动对称或轻微不对称	手动对称填充
跨框架一致性	与 PyTorch 的 padding=k//2 对齐	强制对齐 PyTorch 的填充逻辑
典型应用场景	密集特征提取（如残差块）	下采样（如网络前半部分）

# 注释版本 2025 03 10
class TFConv(keras.layers.Layer):"""实现标准卷积层，可选批归一化与激活函数，适用于TensorFlow。"""def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True, w=None):"""参数说明:c1 (int): 输入通道数（代码中未直接使用，可能通过权重自动推断）c2 (int): 输出通道数（即卷积核数量）k (int/tuple): 卷积核尺寸，默认为1s (int/tuple): 卷积步长，默认为1p (int/tuple/None): 填充大小，None时自动计算为k//2g (int): 分组卷积组数，默认1（代码支持但原注释提示可能限制）act (bool/str): 是否使用激活函数，默认Truew (object): 预训练权重对象，包含卷积和BN参数"""super().__init__()# 当步长s=1时使用"SAME"填充，否则手动填充后使用"VALID"卷积以对齐PyTorch行为# 创建Conv2D层，配置参数conv = keras.layers.Conv2D(filters=c2,kernel_size=k,strides=s,padding="SAME" if s == 1 else "VALID",  # s=1用自动填充，s>1需手动填充use_bias=not hasattr(w, "bn"),  # 存在BN层时禁用偏置groups=g,  # 分组卷积参数（需确认TF版本支持性）kernel_initializer=keras.initializers.Constant(w.conv.weight.permute(2, 3, 1, 0).numpy()  # 调整PyTorch权重维度到TF格式 (kH, kW, in, out)),bias_initializer="zeros" if hasattr(w, "bn") else keras.initializers.Constant(w.conv.bias.numpy()),)# 组合层：当s>1时，先填充再卷积self.conv = conv if s == 1 else keras.Sequential([TFPad(autopad(k, p)), conv])  # 自定义填充层处理非1步长# 批归一化层（存在BN参数时）或恒等映射self.bn = TFBN(w.bn) if hasattr(w, "bn") else tf.identity# 激活函数（根据act参数选择）或恒等函数self.act = activations(w.act) if act else tf.identitydef call(self, inputs):"""执行卷积、批归一化与激活函数的前向传播"""return self.act(self.bn(self.conv(inputs)))  # 顺序: Conv -> BN -> Act