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 2024-08-08 16:38:06 发布
最新推荐文章于 2024-08-08 16:38:06 发布
阅读量9k 收藏 34
点赞数 9
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
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...
卷积层数量过多的缺点,卷积积分的被积函数
ynca67269的博客
08-29 1912
局部连接的概念参考局部感受域，即某个视神经元仅考虑某一个小区域的视觉输入，因此相比普通神经网络的全连接层（下一层的某一个神经元需要与前一层的所有节点连接），卷积网络的某一个卷积层的所有节点只负责前层输入的某一个区域（比如某个3*3的方块）。B、然后，有针对性地计算。其实，它的办法很笨——暴力计算，术语叫“穷举”（实际上，为了节省算力，IBM人工替它修剪去了很多不必要的计算，比如那些明显的蠢棋，并针对卡斯帕罗夫的风格做了优化）。“不全连接，参数共享”的特点大大降低了网络参数，保证了网络的稀疏性，防止过拟合。.
深度学习——卷积及卷积核
最新发布
2301_79972308的博客
08-08 2438
卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。又称滤波器。具体计算如图 ，就是一个固定大小的核，以一定的步长去对原图像位置做相乘再求和的操作在数学上的计算公式（实际上）根据公式计算实际上是计算卷积核经过中心反转后的乘积，但在实际上可以用对应位置相乘的方法去计算，称为互相关运算。卷积神经网络（CNN）作为深度学习的一个重要分支，为图像处理和计算机视觉领域提供了强大的工具。
卷积神经网络(CNN)学习笔记2：举例理解
冰凝凝的专栏
08-30 5925
下图是一个经典的CNN结构，称为LeNet-5网络 可以看出，CNN中主要有两种类型的网络层，分别是卷积层和池化(Pooling)/采样层（Subsampling）。卷积层的作用是提取图像的各种特征；池化层的作用是对原始特征信号进行抽象，从而大幅度减少训练参数，另外还可以减轻模型过拟合的程度。
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 3036
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 ...
为什么卷积核个数就是卷积后的通道数?
liming_2464的博客
12-25 4005
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 1961
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 5192
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)*...
卷积神经网络卷积层作用,卷积与卷积神经网络
aifans_bert的博客
10-13 439
对于神经网络而言，一般越复杂说明该神经网络承受的复杂度越高，描述规律的复杂度容量就越大，当然越好，当然也不是绝对的，但是这能说明一个容器容量的问题，这时该神经网络的泛化能力也越强。卷积神经网络的稀疏连接具有正则化的效果，提高了网络结构的稳定性和泛化能力，避免过度拟合，同时，稀疏连接减少了权重参数的总量，有利于神经网络的快速学习，和在计算时减少内存开销。通过学习找到隐含在数据背后的规律，并对具有同一规律的学习集以外的数据，这种经过训练的网络可以给出合适的输出，该能力就被称为泛化能力。
什么情况下卷积层等价于全连接层？
程序媛
11-30 1214
先说答案： 当卷积层的卷积核大小等于输入特征图的大小，卷积核的输出通道数就等价于全连接的输出神经元个数，此时的卷积层等价于全连接层。 说明： 假定输入特征图大小和通道数目分别是(lhinl_h^{in}lhin​，lwinl_w^{in}lwin​), CinC_{in}Cin​;输出特征图大小和通道数目分别为(lhoutl_h^{out}lhout​，lwoutl_w^{out}lwout​)，CoutC_{out}Cout​. 卷积层参数是：卷积核大小（KhK_hKh​,KwK_wKw​）, 输入通道C
cnn卷积核channel，数量，1*1卷积核降维原理
m0_55392122的博客
05-08 3023
卷积核channel和数量的区别cnn卷积channel1.filter的channel=输入图像的channel 2.filter的个数=输出图像的channel1×1\times1×1卷积降维tensorflow cnn卷积 众所周知，cnn最重要的就是卷积层和池化层，对于卷积层中，通过使用卷积核与原图像进行卷积操作，降低数据量方便计算。卷积操作为： 通过上述操作可以使大家清晰的看到卷积操作，但是卷积核的处理非常重要，那么卷积核的channel以及个数有什么区别呢？以下是我通过借阅别的大佬的博客做出如
深入学习卷积神经网络中卷积层和池化层的意义
热门推荐
fu6543210的博客
09-22 9万+
  为什么要使用卷积呢？ 　　在传统的神经网络中，比如多层感知机（MLP），其输入通常是一个特征向量：需要人工设计特征，然后将这些特征计算的值组成特征向量，在过去几十年的经验来看，人工找到的特征并不是怎么好用，特征有时多了（需要PCA降维），特征有时少了（容易过拟合），有时选择的特征根本就不起作用（真正起作用的特征在浩瀚的未知里面）。这就是为什么在过去卷积神经网络一直被SVM等完虐的原因。 ...
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 9264
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...
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 8198
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 3412
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
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 1645
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 6225
卷积神经网络中的一些易混淆概念
卷积神经网络特征值数目过多
04-09
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，...
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