多通道卷积后通道数计算理解

本文介绍了卷积神经网络中多通道卷积的计算原理。当图片具有D个通道(如RGB的D=3)时,卷积核大小为k*k*D,每个通道与对应通道的二维卷积核卷积后相加。如果有M个卷积核,最终将得到M个二维卷积输出,输出维度为(W, H, M)。以此解释了为何颜色通道为3的图像经过卷积后,通道数量可以变为128或其他数值。" 116613187,7678848,Pytorch 中的三角函数与反三角函数计算,"['深度学习', '机器学习', '计算机视觉', 'Pytorch库']
摘要由CSDN通过智能技术生成

结论:卷积的深度(通道数)和卷积核的个数一致

一个卷积核得到的特征提取是不充分的,我们可以添加多个卷积核。

2、多通道多个卷积核卷积计算:

    图片的宽高分别用W,H来表示,图片的通道数为D,一般目前都用RGB三通道D=3,为了通用型,通道数用D表示;

卷积核:卷积核大小为k*k,由于处理的图片是D通道的,因此卷积核其实也就是k*k*D大小的,因此对于RGB三通道图像,在指定kernel_size的前提下,真正的卷积核大小是kernel_size*kernel_size*3

对于D通道图像的各通道而言,是在每个通道上分别与其对应通道的二维卷积核进行卷积,然后将D个通道加起来,得到该位置的二维卷积输出,对于RGB三通道图像而言,就是在R,G,B三个通道上分别使用对应的每个通道上的kernel_size*kernel_size大小的核去卷积每个通道上的W×H图像,然后将三个通道卷积得出的输出相加,得到二维卷积输出结果,因此,若有M个卷积核,可以得到M个二维卷积输出结果,在有padding情况下,能保持输出图片和原来一样,因此output的维度是(W,H,M)

tf.nn.conv2d(
    input,
    filter,
    strides,
    padding,
    use_cudnn_on_gpu=True,
    data_format='NHWC
  • 0
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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