1.卷积层,卷积核,通道概念及作用
卷积层:又称滤波器(filter)或者内核(kernel),TensorFlow文档中称之为滤波器(filter)。用于对输入的图像结构进行特征提取。
卷积核:同上卷积层。
通道:指滤波器的个数。输出的通道层数只与当前滤波器的通道个数有关。
其中输入层,黑白图像的通道数为1,彩色图像的通道个数为3(RGB)
2.卷积过程
如图一(源于网络)所示(彩色图像为例):
如图所示,输入层的图像为6*6*3,3表示RGB各一层,现在使用的是通道数为2 ,滤波器为2的卷积层去进行卷积操作。
解释:
(1)滤波器的个数为什么等于2:因为图中黄色部份为滤波器所以为2
(2)为什么滤波器是3*3*3:前两个参数表示滤波器的宽高为自己设定,这里假设为3*3,最有一个参数为输入数据的通道数,由于输入数据为三通道,所以本例最后一个参数为3(若为黑白图像则第一次的通道式为1,即3*3*1)
(3)为什么卷积后会变成蓝色4*4*1:这里使用到的步长为1(即滤波器的每次移动步长为1),然后每次卷积完对本次滤波器上的值进行相加得到一个滤波器,还记得上边说的输出的通道数只与滤波器的通道数有关吗?这里就是,有两个通道的滤波器,所以会产生蓝紫色的方阵。
写到这里可能有小伙伴会问:黄色的滤波器的通道数不是为3吗?
其实是的,黄色滤波器的个数的确为3,不然也不能对彩色输入图像进行卷积操作。但是这里的滤波器的通道数的意思是产生两个黄色的3*3*3的方阵,图中产生了两个黄色的方阵,所以说滤波器的通道数为2,而每一个滤波器层为了和上面的输出数据进行卷积提取特征,所以每一个滤波器的通道数与提取数据的通道数相同。
小伙伴们可以猜猜下次每一个滤波器层应该为几个通道?(黄色的方块应该是m*m*n)n等于几呢
答案是:n=2,因为本次卷积完只剩下了蓝紫两个方阵了。
卷积层参数个数=h*w*l*c 参数含义:h,w为滤波器的宽高本次为(3*3),l为输入数据的通道数本次为3,c为卷积层的通道数本次为2,所以本例的参数个数为3*3*3*2