⼀般会⽤⼀个正⽅形的卷积核,按指定步长在输⼊特征图上滑动。
遍历输⼊特征图中的每个像素点。对每个步长,卷积核会与输⼊特征图出现重合区域,重合区域对应元素相乘、求和再加上偏置项得到输出特征的⼀个像素点。 输⼊特征图的深度(channel数)决定了当前层卷积核的深度。
当前层卷积核的个数,决定了当前层输出特征图的深度。
下⾯是三个卷积核的例⼦w×h×c。
第⼀个是单通道的3×3卷积核(3×3×1),加上⼀个偏置项,每个核有3×3+1=10个参数。 梅宁华
第⼆个是三通道的3×3卷积核(3×3×3),加上⼀个偏置项,每个核有3×3×3+1=28个参数。
第三个是三通道的5×5卷积核(5×5×5),加上⼀个偏置项,每个核有5×5×3+1=76个参数。
1)输⼊特征图为单
输⼊特征图上的元素与的对应元素相乘后求和,再加上⼀个偏置项。
2)输⼊特征图为3通道
营销网络的建设
3)⼀个卷积核的计算过程
下⾯继续举例解释卷积计算过程
1)输⼊特征图是单通道,且采⽤单卷积核,即输⼊特征图是5×5的矩阵,卷积核是3×3的矩阵,移动步长是1 陶希圣>信息产业部手机查询
卷积核从左到右,从上到下依次移动,每⼀动⼀步将框注的特征矩阵与卷积核矩阵对于元素相乘相加,直到扫描完所有的点矩阵为⽌。
* = ⎣⎡1−11−1−2202−2⎦⎤∗⎣⎡−1101−1−123−2⎦⎤=⎣⎡−1−10−12−2064⎦⎤
丹丹调味品对应元素相乘后,将最后的矩阵中的所有元素相加(此处未加偏置项):
−1−1+0−1+2+6+0−2+4=7
网络安全特警
1)输⼊特征图是3通道,且采⽤单卷积核,即输⼊特征图是3个5×5的矩阵,卷积核是3个3×3的矩阵,移动步长是1,注意输
⼊特征图的通道数与卷积核的通道数相同
整个的计算⽰意图如下图所⽰,输⼊的每个通道处的感受野均与卷积核的对应通道相乘累加,得到与通道数量相等的中间变量,这些中间变量全部相加即得到当前位置的输出值。总之,输⼊通道的通道数量决定了卷积核的通道数。⼀个卷积核只能得到⼀个输出矩阵,⽆论输⼊特
征图的通道数量是多少。
1)输⼊特征图是多通道,且采⽤多卷积核
输⼊特征图为多通道、多卷积核是深度神经⽹络中最常见的形式。在多通道和单卷积核的运算过程中, 卷积核和⼀个输⼊特征图做卷积计算后得到⼀个输出特征图。
在多通道和多卷积核运算后,会输出与卷积核数量相同的多个特征图,以3通道输⼊,2个卷积核的卷积层为例,通过卷积计算后输出2个特征图。