卷积神经网络归一化层_深入卷积神经网络：高级卷积层原理和计算的可视化

在深度计算机视觉领域中，有几种类型的卷积层与我们经常使用的原始卷积层不同。在计算机视觉的深度学习研究方面，许多流行的高级卷积神经网络实现都使用了这些层。这些层中的每一层都有不同于原始卷积层的机制，这使得每种类型的层都有一个特别特殊的功能。

在进入这些高级的卷积层之前，让我们先快速回顾一下原始的卷积层是如何工作的。

原始卷积层

在原始的卷积层中，我们有一个形状为WxHxC的输入，其中W和H是每个feature map的宽度和高度，C是channel的数量，基本上就是feature map的总数。卷积层会有一定数量的核，核会对这个输入进行卷积操作。内核的数量将等于输出feature map中所需通道的数量。基本上，每个内核都对应于输出中的一个特定的feature map，并且每个feature map都是一个通道。

核的高度和宽度是由我们决定的，通常，我们保持3x3。每个内核的深度将等于输入的通道数。因此，对于下面的例子，每个内核的形状将是(wxhx3)，其中w和h是内核的宽度和高度，深度是3，因为在这种情况下，输入有3个通道。

在本例中，输入有3个通道，输出有16个通道。因此在这一层共有16个内核，每个内核的形状是(wxhx3)。

高级的卷积层