为什么卷积层输出的特征图数目等于卷积核的数量？

最新推荐文章于 2024-05-19 22:26:22 发布
最新推荐文章于 2024-05-19 22:26:22 发布
阅读量8.8k 收藏 33
点赞数 8
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hezhongla0811/article/details/102512514
版权

为什么卷积层输出的特征图数目等于卷积核的数量？

还是要祭出下面这张图：
在这里插入图片描述
刚开始不是很理解，为什么卷积层输出的特征图数目一定等于卷积核的数量，与输入层的通道数没有关系吗？
答案就是没有关系，因为无论你输入有多少个通道，卷积核的通道数和输入的一一匹配。
比方说上图中，输入图片有3个通道，卷积核的数量有两个： W 1 W_1 W1​和 W 2 W_2 W2​，每个 W W W都有三个通道与输入通道一一对应，每个卷积核计算出来的东西最后加上偏置，最后求和之后只有一个输出。
因此无论你输入通道有多少，我卷积核全部一一匹配吸收掉，一个卷积核最后只输出一个通道，因此最终的特征图的数量等于卷积核的数量。

MichaelToLearn
关注
  • 8
    点赞
  • 踩
  • 33
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 6
    评论
专栏目录
概念学习（一）：卷积核/过滤器、特征图（featue map）、卷积层
weixin_41943311的博客
07-02 1万+
作为基础学习，建议先看一看电子版的： [美] Michael Nielsen著，Xiaohu Zhu/Freeman Zhang译：《神经⽹络与深度学习》（Neural Networks and Deep Learning） 这本书深入浅出，把神经网络的基本原理讲得比较清楚。 人们把feature map翻译成特征图，把channel翻译为通道。有时这二者说的是同一件事；但有时强调输入...
论文研究-基于边缘检测的卷积核数量确定方法.pdf
07-22
采用边缘检测算子对训练图像进行边缘检测，并依据卷积层的卷积核尺寸对边缘图像进行边缘块提取；统计提取到的边缘块以获得边缘特征矩阵，最后计算边缘特征矩阵各列的方差，将方差排序且归一化，选择方差较大部分边缘...
深度学习：CNN 卷积核的立体理解（输入特征×卷积核=输出特征）
weixin_41297324的博客
04-03 2990
such as： 我们可以看到输入是 7x7x3 的矩阵，然后有两个 Filter 分别是 W0 和 W1，每一个 Filter 有三层 Feature Map，最后输出是 3x3x2 的矩阵。 从这个例子中总结出： 一个卷积核可能不止一层 feature map 卷积核的 层数 和 输入通道数 一致 卷积核的 个数 和 输出通道数 一致 ...
为什么卷积可以提取特征？
最新发布
AI与算法都要通俗易懂
05-19 796
巧的是，下班路上刚手敲完大纲，晚上一个小伙伴来咨询学习LLM的事情，问我之前写的《五一节前吹的牛，五一期间没完成，今天忙里偷闲，给完成了。这是因为 resnet 中有大量的设计好的卷积层，因此，大部分将 resnet 作为骨干网络的神经网络，都是把 resnet 这一部分结构当做一个图像的特征提取器来使用。可以回想一下在介绍卷积的时候，描述的卷积运算的场景是：一个窗口在图片上滑动，窗口中的数值是卷积核的参数，也就是权值。和矩阵乘法一样，卷积在每一次扫描的过程中，完成的是权值数据和输入图像的乘累加运算。
为什么卷积核个数就是卷积后的通道数?
liming_2464的博客
12-25 3891
参考博客: https://blog.csdn.net/Xiao_Bai_Ke/article/details/98998767. https://blog.csdn.net/zh_ch_yu/article/details/88383196. 输入： 3通道的6 ×\times× 6图像（3 ×\times× 6 ×\times× 6） 卷积核： 2个3 ×\times× 3的卷积核（默认为...
PyTorch中，卷积层、池化层、转置卷积层输出特征图形状计算公式总结
枯木何日可逢春
09-12 1825
PyTorch中，卷积层、池化层、转置卷积层输出特征图形状计算公式总结
卷积核与图像特征提取
viafcccy的博客
03-25 5143
关于卷积 卷积是分析数学中一种重要的运算。卷积是一种线性运算,图像处理中常见的mask运算都是卷积，广泛应用于图像滤波。高斯变换就是用高斯函数对图像进行卷积，卷积操作是图像变换的基础。如果我们称 (f*g) (n)是f、g的卷积： 连续型卷积的公式 离散型卷积的公式 从中我们可以得出 假设现有两个骰子，随机掷骰子点数和为4 那么这样的概率就是f(1)*g(3)+f(2)*...
CNN卷积核输出特征图大小的计算（长，宽，维度）和权值共享
FiveStarsGeneral的博客
11-29 8896
概要 CNN在进行卷积操作的时候，可以认为是输入图像（Input）与卷积核（Kernel）的对应加权求和。其中，卷积的时候，又可分为输出图像（Output）比输入图像缩小的卷积（VALID）即常规情况，与卷积后长宽不变的情况（SAME），还有一种情况是FULL模式，这种不经常用。 维度就是图像的通道数，想象一个通道为3的RGB图像，维度=3。也可以把input想象成一个立方体，有长宽高属性，如下图...
CNN.rar_CNN__cnn 卷积层_muscular_卷积核_神经网络 matlab
09-24
%得到卷积层的featuremap的size，卷积层fm的大小 为 上一层大小 - 卷积核大小 + 1（步长为1的情况） %得到卷积层的featuremap的size，卷积层fm的大小 为 上一层大小 - 卷积核大小 + 1（步长为1的情况）
1_生成对应特征图_图像卷积_用numpy完成图像卷积运算_自定义卷积核_
10-03
在深度学习模型中，卷积神经网络（Convolutional Neural Networks, CNN）的核心就是卷积层，其中自定义卷积核的使用允许我们针对特定任务定制特征检测器。本篇文章将深入探讨如何使用Python中的numpy库来实现图像...
使用卷积核提取图像特征举例（包含边缘特征提取和浮雕特征提取等）.zip
11-21
本资源提供了一系列使用卷积核提取图像特征的实例，包括边缘检测和浮雕效果的实现，旨在帮助理解和掌握这一关键概念。 首先，卷积核（也称为滤波器或特征检测器）是一种小的矩阵，它在图像上滑动并应用数学运算，以...
由浅入深CNN中卷积层与转置卷积层的关系
01-27
通过与权重矩阵相乘层层传递，而卷积层则认为上一层的有些节点下一层其实是不需要的，所以提出了卷积核矩阵的概念，如果卷积核的大小是n*m，那么意味着该卷积核认为上一层节点每次映射到下一层节点都只有n*m个节点是...
深度学习输入输出特征图尺寸计算&&卷积的填充方式
weixin_42620513的博客
02-24 8074
1、卷积层输入特征图(input feature map)的尺寸为：H(input)×W(input)×C(input) 依次为输入特征图的高、宽、通道数。 2、输出通道数K(即卷积核个数);正方形卷积核的边长为F;步幅(stride)为S;补零的行数和列数(padding)为P 3、输出特征图(output feature map)的尺寸为H(input)×W(input)×C(input)，则输出规格如下：H(output)=(H(input)−F+2P)/S+1 W(output)=(Winput−F
卷积运算和特征图的理解
ajiujiujiu的博客
05-10 3372
卷积运算和特征图的理解 卷积核在原图相应位置按指定步长滑动，做内积（相乘再相加再加上偏置） 如下图左边，输入图像为7×7×3, 3个数字矩阵分别代表RGB三通道，因此卷积核也必须是三通道的，这里使用3×3×3大小的卷积核，并且每个通道的卷积核的数值可以不一样（随机初始化），让每个通道的卷积核与每个通道的图像矩阵的对应位置做内积得到三个数值，将这三个数值相加再加上偏置得到卷积运算后的输出值 下图左边第一个特征图矩阵（3×3的绿色背景）中的数值3 = R通道×卷积核的第一个通道 + G通道×卷积核的第二个通道
卷积核大小与卷积后特征图大小
热门推荐
qq_42278791的博客
05-26 1万+
卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’。 1.如果计算方式采用’VALID’，则： 其中为Wout输出特征图的大小，Win为输入特征图的大小，F为卷积核大小，stride为卷积步长。不能整除时向上取整。 2.如果计算方式采用’SAME’，输出特征图的大小与输入特征图的大小保持不变， 其中padding为特征图填充的圈数。 若采用’SAME’方式，kernel_si...
3.1 卷积神经网络的应用领域|卷积的作用|卷积特征值的计算方法|得到特征图表示|步长与卷积核大小对结果的影响|边缘填充方法
Micoreal的博客
01-23 1577
个人学习笔记
卷积神经网络每一层输出的形状、通道数、特征图数量以及过滤器数量的理解与计算。
weixin_51286347的博客
11-10 5967
卷积神经网络中的一些易混淆概念
【机器学习】卷积神经网络(CNN)的特征数计算
撕得失败的标签的博客
12-18 956
为了将这些特征图转换为一维向量以输入到全连接层，你需要将特征图的元素“展平”（flatten）。为了将这些特征图转换为一维向量以输入到全连接层，你需要将特征图的元素"展平"在卷积操作过程中，图像与卷积核进行滑动窗口式的乘加运算，这会导致图像尺寸的变化。全连接层的输入和输出维度通常是由网络架构和数据的特性决定的。池化层通常不会改变特征数，但会改变特征图的高度和宽度。继续应用卷积层和池化层，每次更新特征图的尺寸和特征数。网络的最后一层之前的特征图的通道数就是最后的特征数。，即最大池化层的池化窗口的大小为。
卷积神经网络概述及相关概念讲解（二）
weixin_46255747的博客
03-27 505
卷积神经网络也称（CNN）网络，主要应用于计算机视觉这个部分。比如图像任务：图像检测，图像分类，图像检索。上一篇文章中所说，神经网络是用于特征的提取，同样卷积神经网络也是一个特征提取的过程。传统神经网络存在一些问题，如权重参数矩阵通常过大，以及过拟合风险过大等，为了解决这个问题，提出了卷积神经网络。1、超分辨率重构：将原始的模糊图像通过训练变成清晰的图像。2、医学任务：如细胞检测等3、字体识别4、无人驾驶5、人脸识别。
卷积神经网络特征值数目过多
04-09
卷积神经网络（Convolutional Neural Network，CNN）是一种常用于图像处理和计算机视觉任务的深度学习模型。在CNN中，每个卷积层都会提取输入图像的特征，并将其表示为特征图。特征图的数量取决于卷积层中的卷积核数量。 如果卷积神经网络的特征值数目过多，可能会导致以下问题： 1. 参数量过大：每个特征值都需要一定数量的参数来进行计算，如果特征值数目过多，网络的参数量也会相应增加。这会增加模型的复杂度和训练的时间成本。 2. 内存消耗过大：特征值数目过多会导致卷积层输出的特征图尺寸变大，进而增加了内存的消耗。这可能会导致在资源受限的设备上无法有效地运行模型。 3. 过拟合：如果特征值数目过多，模型可能会过度拟合训练数据，导致在未见过的数据上表现不佳。过拟合是指模型在训练数据上表现良好，但在测试数据上表现较差的现象。 为了解决特征值数目过多的问题，可以考虑以下方法： 1. 减少卷积核数量：通过减少卷积层中的卷积核数量，可以降低特征值的数目。这样可以减少模型的参数量和内存消耗。 2. 使用池化层：池化层可以对特征图进行下采样，减小特征图的尺寸。这样可以降低内存消耗，并且可以提取更加抽象的特征。 3. 正则化技术：使用正则化技术如Dropout、L1/L2正则化等可以减少过拟合问题，提高模型的泛化能力。

“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 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

MichaelToLearn

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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