https://blog.csdn.net/yudiemiaomiao/article/details/72466402
https://blog.csdn.net/yudiemiaomiao/article/details/72466402
https://www.cnblogs.com/zf-blog/p/6075286.html
关键知识点:
卷积层是用来做特征提取的。每一个卷积层可以有多个卷积核的
不同的卷积层的级联,得到的特征的从low到high
上面的图很清晰,
图像的通道是3个,8*8*3的图像
卷积层有5个卷积核,每一个卷积核的大小一定一样(W 宽度,H 高度和D 深度)卷积核的深度(第三维)一定与图像的深度一样。
整个图像(所有通道),经过每一个卷积核,得到一个featuremap,这个featuremap是压缩的。
因此输出的D 深度(通道数)就是卷积核的数量。
卷积层尺寸的计算原理
- 输入矩阵格式:四个维度,依次为:样本数、图像高度、图像宽度、图像通道数
- 输出矩阵格式:与输出矩阵的维度顺序和含义相同,但是后三个维度(图像高度、图像宽度、图像通道数)的尺寸发生变化。
- 权重矩阵(卷积核)格式:同样是四个维度,但维度的含义与上面两者都不同,为:卷积核高度、卷积核宽度、输入通道数、输出通道数(卷积核个数)
- 输入矩阵、权重矩阵、输出矩阵这三者之间的相互决定关系
- 卷积核的输入通道数(in depth)由输入矩阵的通道数所决定。(红色标注)
- 输出矩阵的通道数(out depth)由卷积核的输出通道数所决定。(绿色标注)
- 输出矩阵的高度和宽度(height, width)这两个维度的尺寸由输入矩阵、卷积核、扫描方式所共同决定。计算公式如下。(蓝色标注)
其实还有channel_out = K
输出的D 深度(通道数)就是卷积核的数量。