卷积层计算方法

~許諾~

已于 2023-12-02 20:14:27 修改

阅读量1k

点赞数 2

分类专栏：深度学习文章标签： python 深度学习开发语言神经网络

于 2023-04-16 19:12:18 首次发布

本文链接：https://blog.csdn.net/qq_52143907/article/details/130184202

版权

深度学习专栏收录该内容

5 篇文章 1 订阅

订阅专栏

1. 两个参数

in_channels

out_channels

取决于图片类型：

如果是彩色的RGB类型，通道数为3；

如果是灰度图像，通道数为1。

卷积核的个数

2. 两个重要等式

卷积核通道数 = 卷积输入层的通道数（k_channels = in_channels）
卷积输出层通道数 = 卷积核的个数（out_channels = k_number）（注：通道数即深度）

3. 简单的卷积运算（padding=0，stride=1）

取输入矩阵中大小与卷积核相同的矩阵；
进行对应位置相乘，最后相加起来（多通道要相加起来），算出特征矩阵的一个位置的值；
多的卷积核同理相乘相加。
（具体实现如下图）

$Input [ in_{channels}, in_{height}, in_{width} ]$

$Kernel [ out_{channels}, in_{channels}, k_{height}, k_{width}]$

$Output [ out_{channels}, out_{height}, out_{width}]$

4. 输出特征图尺寸计算

（1）根据卷积公式：

$O=(n-f+2p)/s+1$

n	f	p	s
输入特征宽高	卷积核宽高	填充padding	步长stride

则上图输出特征图尺寸为:

$out_{height}=(3-2+2*0)/1+1=2$

$out_{width}=(3-2+2*0)/1+1=2$

（2）同理，下面pytorch的卷积：

self.conv1 = nn.Sequential(
            nn.Conv2d(
                in_channels=1,    # 灰度图像
                out_channels=16,  # 卷积核个数
                kernel_size=3,    # 卷积核大小3*3
                stride=1,
                padding=2
            ),
            nn.ReLU(),            # 激活
            nn.MaxPool2d(kernel_size=2) # 池化
        )