为什么在卷积神经网络3个通道

为什么在卷积神经网络3个通道

我想知道为什么用3个信道像图像6 * 6 * 3时convol用3 * 3 * 3过滤器仅产生4 * 4 而不是4 * 4 * 3

回答:

一种方法是考虑可以从6 x 6 x 3矩形棱镜切割并抓取多少个3 x 3 x 3的立方体。

另外,让我们来简化问题。

假设您有2 x 2输入图像补丁,并且您想要进行2 x 2卷积。有多少种方法可以适合2 x 2卷积输入图像斑点= 1 x 1(1 x方向,1 y方向)

让我们扩展它:4 x 2输入图像,2 x 2 conv。独特的卷积计数= 3 x 1(x方向3个,y方向1个)

让我们对其进行扩展:4 x 4输入图像,2 x 2 conv。独特的卷积计数= 3 x 3

让我们对其进行扩展:4 x 4 x 2输入图像,2 x 2 x 2 conv。独特的卷积计数= 3 x 3 x 1

让我们来扩展它:6 x 6 x 3输入图像,3 x 3 x 3 conv。独特的卷积计数= 4 x 4 x 1

回答:

当您应用卷积时,它将在内核权重的输出上乘以输入值进行求和。在这种情况下,你没有对输入进行任何填充,这意味着你只输出完全定义的值。如果您将输入的维数设为(x,y,z),则可以看到您的内核在x和y维度较小,但在z维度上相等。这意味着你可以在x和y方向上滑动内核,为每个位置产生一个输出,但是在z方向无处滑动,所以它只产生一个输出(这是所有通道之和)。

以上是 为什么在卷积神经网络3个通道 的全部内容, 来源链接: utcz.com/qa/260076.html

回到顶部