本文详细解释了在深度学习中，尤其是卷积神经网络处理RGB图像时，输出通道数的设定、卷积核的作用以及不同大小卷积核对计算量的影响。以14X14的输入数据为例，通过计算展示了如何保持输出尺寸不变并计算出112.9M的总计算量。
输出通道数为1
例如三通道的RGB图像，输入通道数即为3， 相对应每一个通道都会生成一个卷积核进行计算，最后相加为一个通道
输出通道数为x
输出的通道数可以任意的设置，源于输出的通道数是由x次重复的卷积拼接起来的
卷积时计算量的计算
卷积时不同大小的卷积核运算量是天差地别的，因此我们对卷积核大小的选择也是至关重要的，举例说明：
如这个宽度为14，高度为14，通道数为480的输入数据，通过5X5的卷积核，最后输出通道数为48的输出，已经知道输出数据的大小为14X14说明padding=2，只有这样输出的宽和高才能保持不变（Kornel_size/2）
每个通道横向进行14次卷积，纵向进行14次卷积，每次卷积计算量为5X5，共有480个通道，最后输出为48通道，即以上过程重复48次，最后的计算量为：
14X14X5X5X480X48=112.9M
5702
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
