![fc3ef63eb3c1e7b710e90e594d08752e.png](https://img-blog.csdnimg.cn/img_convert/fc3ef63eb3c1e7b710e90e594d08752e.png)
译者|VK
来源|Towards Data Science
即使我们从理论上理解了卷积神经网络,在实际进行将数据拟合到网络时,很多人仍然对其网络的输入和输出形状(shape)感到困惑。本文章将帮助你理解卷积神经网络的输入和输出形状。
让我们看看一个例子。CNN的输入数据如下图所示。我们假设我们的数据是图像的集合。
![3e6516571c16710f14f82385c9284e1a.png](https://img-blog.csdnimg.cn/img_convert/3e6516571c16710f14f82385c9284e1a.png)
输入的形状
你始终必须将4D数组作为CNN的输入。因此,输入数据的形状为(batch_size,height,width,depth),其中第一维表示图像的ba
译者|VK
即使我们从理论上理解了卷积神经网络,在实际进行将数据拟合到网络时,很多人仍然对其网络的输入和输出形状(shape)感到困惑。本文章将帮助你理解卷积神经网络的输入和输出形状。
让我们看看一个例子。CNN的输入数据如下图所示。我们假设我们的数据是图像的集合。
你始终必须将4D数组作为CNN的输入。因此,输入数据的形状为(batch_size,height,width,depth),其中第一维表示图像的ba