卷积神经网络中的卷积核通常由四维数据表示，这包括batch-size（批次大小）、特征图个数（channel）、以及特征图的宽度和高度（p和q）。二维输入如灰度图像（channel=1）或RGB图像（channel=3），在卷积过程中，batch-size代表了进行卷积的样本数量，每个样本可能会产生不同channel数的输出图像。
(582条消息) 如何理解卷积神经网络CNN的卷积核是四维向量_四维卷积核_HUST_zxs的博客-CSDN博客
参考链接附
问题：不理解为甚二维要变成四维
实际上，不论卷积再怎么变，基础也是二维的卷积，视频当中举出的例子，二维的输入，channel为1，灰度图像的channel为1，相应的RGB就为3，那么batchsiaze对应什么呢？这里可以理解为进行了多少次卷积，就可以得到多少个channel的输出图像。
具体的四维输入为(m,f,p,q)
m---batch-size
f--特征图个数（channel）
p,q--对应特征图的宽和高
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
