卷积 — 相关面试知识点

1、如何确定CNN的卷积核通道数和卷积输出层的通道数？

• CNN的卷积核通道数 = 卷积输入层的通道数
• CNN的卷积输出层通道数 = 卷积核的个数

2、计算卷积后的图像尺寸

• input 输入尺寸，默认图像为正方形
• padding 填充尺寸
• kernel_size 卷积核大小
• stride 移动步长
• output 输出尺寸
  

3、1*1 卷积核的用处

• 实现跨通道的交互和信息整合。比如输入是多通道的，由卷积神经网络计算方式可知，对于单一卷积核函数：当前位置的输出值，是由多个通道上的卷积结果相加然后再取激活函数值得到的。所以卷积核函数的尺寸是1*1的话，他可以整合多个通道的信息，而不会改变输入的大小。
• 卷积网络通道数目的升降，由于输出的通道数目是由卷积核函数的数目决定的，所以使用1*1的卷积核，在不改变输入大小的情况下，可以任意增减输出的通道数目。

4、卷积核为什么总是选用3*3

• 3个3 * 3卷积核叠加使用等于7 * 7的卷积核，在连通性不变的情况下，大大降低了参数个数和计算复杂度

参考文献路径：

1、卷积核函数的选择
2、卷积核尺寸如何选取呢？