type
status
date
slug
summary
tags
category
icon
password
本节将更深入地研究具有多输入和多输出通道的卷积核。
6.4.1 多输入通道
卷积核的输入和输入数据具有相同的通道数
我的理解是，每一个通道在被各自对应的 filter 扫过之后得到各自的输出映射（大小相等？），然后把输出映射按照输出通道的设定，进行叠加？
多输出通道
卷积层的计算方式类似，但输入 是一个局部窗口内的像素，而 是一个卷积核（即权重矩阵）。对于 CNN 而言：
• 是第 i 个输入通道的特征图
• 是对应的卷积核权重
• 是偏置
• * 代表卷积运算，即局部加权求和
• 结果 形成输出通道
简而言之，就是把每一个通道的特征映射加权相加，然后加上偏置，得到其中一个输出通道的值
6.4.3 卷积层
卷积，即，看起来似乎没有多大意义。 毕竟，卷积的本质是有效提取相邻像素间的相关特征，而 卷积显然没有此作用。 尽管如此， 仍然十分流行，经常包含在复杂深层网络的设计中。下面，让我们详细地解读一下它的实际作用。
因为使用了最小窗口， 卷积失去了卷积层的特有能力——在高度和宽度维度上，识别相邻元素间相互作用的能力。 其实 卷积的唯一计算发生在通道上。
这里相当于对不同通道的同一位置进行加权求和
6.4.4 小结
- 多输入多输出通道可以用来扩展卷积层的模型。
- 当以每像素为基础应用时， 卷积层相当于全连接层。
- 卷积层通常用于调整网络层的通道数量和控制模型复杂性。
- 作者:昊卿
- 链接:hqhq1025.tech/article/1b6a897c-9da0-804d-af17-cbff02ece2c7
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
相关文章
