卷积层计算办法

问题:RGB彩色图像共有3 个通道,假设滤波器是3×3,计算后怎么压缩成为1个feature map ?
回答:这个计算流程在cs231n中有详细描述,我把图片贴到下面,再解释一下
在这里插入图片描述
计算时,红色和红色相乘,绿色和绿色相乘,蓝色和蓝色相乘,然后求和,生成黄色箭头的那个3。然后根据步长以此类推。
图中,生成的D0这个feature map是由第一个滤波器Filter w0计算出来的。
D1这个feature map是由第二个滤波器Filter W1计算出来的。
所以说有几个滤波器,就有几个feature map。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
卷积神经网络的卷积层是神经网络的关键组成部分之一,它主要用于图像处理和特征提取。卷积层通过对输入数据进行滤波器操作,将输入数据与卷积核进行卷积运算,从而提取出图像中的特征。在卷积运算中,卷积核以一定的步长在输入数据上移动,通过对局部窗口内的数据进行加权求和得到输出数据。 卷积层计算可以简单理解为将输入数据与卷积核的对应位置相乘,然后将相乘结果进行累加得到输出特征图的每个像素值。具体计算过程如下: 1. 首先,定义卷积核的大小和步长。卷积核的大小决定了每次卷积运算的窗口大小,步长决定了卷积核每次在输入数据上移动的距离。 2. 接下来,将卷积核与输入数据的对应位置相乘。卷积核在每个位置上与输入数据的对应位置进行元素相乘。 3. 将相乘结果进行累加,得到输出特征图的每个像素值。 4. 重复以上步骤,直到卷积核移动到输入数据的所有位置,并得到完整的输出特征图。 需要注意的是,卷积层计算过程中,会对输入数据进行零填充(padding)操作,以保持输入与输出特征图的大小一致,并且进行非线性变换(如ReLU激活函数),以增加网络的非线性能力。 总结起来,神经网络的卷积层通过对输入数据进行卷积运算,提取出输入数据的特征,并生成相应的输出特征图。卷积层计算是通过对输入数据与卷积核进行逐元素相乘并累加的方式进行的。这种局部连接和权重共享的方式,使得卷积层能够高效地处理图像数据,并学习到更加有意义的特征。
评论
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