卷积⽹络的运算过程以及参数计算过程
写这篇⽂章是因为发现⾃⼰这么久以来把卷积核的计算过程理解错了，⼀直到和师兄交流的时候才发现，抓紧写⼀篇博客记录⼀下。
1. 卷积神经⽹络的计算过程
可燃气以上图为例，假设输⼊的图⽚是32 32 3⼤⼩，也就是我们所说的输⼊为32 32⼤⼩的RGB图像。我⼀直理解错的就是这幅图像与卷积核计算的过程，具体怎么错的就不误解⼤家了。 假设现在我们要⽤⼀个5 5 3的卷积核来提取图⽚中的特征，⾸先需要注意的⼀点，我们⼀般在描述时通常就将这个卷积核称为5 5的卷积核，⽽忽略掉后⾯这个3，⽽卷积核的这个宽度必须与输⼊的图像的宽度⼀致，也就是说都是3，当它们的宽度⼀致时卷积核才可以像我们说的在图像上⾯滑动。
这时⼤家可能会有疑问，如果宽度是3，那提取的特征不就⼀直是3个吗？
如果你有这个问题说明你还是没有理解其计算过程，实际上我们说的5 5 3就是⼀个卷积核，如果需要提取输⼊图像的10个特征，那么我们就需要10个这样的卷积核，在论⽂中通常会把这个卷积部分的⼤⼩描述为5 5 10，会省略这个3的书写。这也就是⼤家理解容易
出错的地⽅。
××××××××××
在这张图⽚中我们可以看到这个5 5 3的卷积核提取特征的过程，也就是这个卷积块核图像中⼀个⼀样⼤⼩的块相乘(dot也就是点乘)再加上偏置项，再使⽤⼀个激活函数得到最终的特征提取结果。其运算过程也可以结合下图理解：
⼀个RGB图像⼤⼩为，三个通道，中间这⼀个部分表⽰是⽤了两个卷积核，每个卷积核的⼤⼩也是，与输⼊图像通道数⼀致，因此卷积核的通道数也是3个。每个卷积核在图像上滑动以后得到的特征图的⼤⼩是，两个卷积核得到的特征图就是
。
2. 卷积⽹络得到特征图的⼤⼩计算
从上图我们可以看到卷积核在图像上滑动后得到了⼀个特征图，因为我们使⽤了⼀个卷积核，可以看到得到特征图宽度为1。
那么怎么计算出特征图的⼤⼩为28 28呢？
这就要⽤到我们的⼀代计算公式：
××6×63×34×44×4×2×H =height ⌊Input −height Filter +height 1⌋
W =width ⌊Input −width Filter +width 1⌋
现在我们可能会发现另⼀个问题，我们现在所说的卷积核在输⼊图像上都是⼀步⼀步滑动，如下图所⽰：(图话的⽐较丑，⼤家明⽩意思就红领巾小五年规划
⾏，哈哈)
有的时候我们需要控制输出的特征图的⼤⼩，这时候我们就会选择控制⼀下卷积核在输⼊图像上的步长，stride。考虑stride后我们就要⽤到⼀个新的计算公式了：
下⾯我们看⼀个stride=2时的实例：
从上图可以看出步长为2可以将原始输⼊的图像⼤⼩减少为原来的⼀半，stride具有避免重复计算的功能。
H =height ⌊+stride
Input −Filter height height
1⌋W =width ⌊+stride
Input −Filter width width
1⌋
上⾯的两个例⼦讲得都是卷积核能够正好在输⼊图像上滑动到最右边的，但是在实践中我们可能会遇到卷积核不能正好在输⼊图像上滑动的，也就是公式不能被整除，这时我们需要⽤到向下取整，也就是公式中的两个不完整的⼤括号。活性炭纤维
接下来我们会思考使⽤卷积核提取特征如果遇到我们上述所说的不能整除的情况，那么很可能会舍弃掉⼀些像素信息，为了解决这个问题我们在提取的时候可以加⼊padding。
现在到了最后版本的计算公式：
例⼦如下图所⽰：
接下来我们⼜会有⼀个新的疑问，如何选择padding的⼤⼩呢？
⼀般，当stride=1，我们需要满⾜输⼊的特征图⼤⼩与输出相同时，。这个与上图的例⼦⽆关，⼤家可以⾃⼰画⼀个图理解。
在编程的时候我们有两种⽅法选择，1个是same，⼀个是valid。
这⼀部分知识再我的另⼀篇博客⾥有讲解，⼤家可以去看：
3. 卷积神经⽹络的计算–参数⼤⼩
其实参数计算⽐较简单，我们只要记住⼀个公式就可以：
其中最后加的这个卷积个数实际上就是偏置单元的个数。
举个例⼦：⼀个输⼊⼤⼩为的图像，第⼀层的卷积核⼤⼩为，卷积核的个数为10。
那么第⼀层参数的个数为：
以上就是我所总结的所有与卷积计算有关的知识啦，欢迎评论区补充！H =height ⌊+stride黑帮中的女人
Input −Filter +2×padding
height height 1⌋W =width ⌊+stride
互信息Input −Filter +2×padding
width width 1⌋p =(f −1)/2某层参数个数=卷积核的⼤⼩×输⼊图像的通道数×卷积核的个数+卷积核个数
256×256×35×55×5×3×10+10=760租借法案
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议