CNN卷积中卷积层,卷积核,通道概念及卷积过程详解

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

  • 28
    点赞
  • 115
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
CNN卷积神经网络)是一种经典的深度学习模型,用于图像识别、目标检测、语音识别等任务。它的设计灵感来自于生物神经系统视觉皮层的运作机制。 CNN主要由卷积层、池化层和全连接层组成。卷积层CNN的核心,通过卷积操作对输入特征进行提取并生成多个特征图。每个特征图由一组共享权重的卷积核对输入进行卷积运算,并经过非线性变换(如ReLU激活函数)得到高维特征表示。卷积层的参数共享和局部感受野使得网络具有平移不变性和局部特征提取能力。 池化层用于减小特征图的空间尺寸,降低计算量和参数数量,并提取特征的空间不变性。最大池化是常用的池化方式,它在每个子区域选择最大值作为池化结果。池化操作可以减小特征图的尺寸,并保留主要特征。 全连接层在卷积和池化操作后将高维特征映射为输出结果。全连接层的神经元与前一层的所有神经元都有连接,并通过学习参数实现特征的组合和分类。最后一层一般使用Softmax激活函数将输出映射为概率分布。 CNN的训练通常采用反向传播算法,通过调整卷积核和全连接层的权重来优化网络性能。为了防止过拟合,可以使用正则化技术如Dropout和权重衰减。同时,数据增强可以通过对训练样本进行随机变换,增加样本多样性,提高模型的泛化能力。 总的来说,CNN利用卷积和池化操作进行特征提取和空间不变性学习,并通过全连接层实现分类和回归任务。它的设计使得它在图像处理方面表现出色,是现实世界许多视觉任务的首选模型。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值