如何确定CNN的卷积核通道数和卷积输出的通道数(深度)

什么是卷积核的通道数?CNN的卷积输出通道数又是如何确定的?

CNN的卷积核通道数 = 卷积输入层的通道数
CNN的卷积输出层通道数(深度)= 卷积核的个数

在卷积层的计算中,假设输入是H x W x C, C是输入的深度(即通道数),那么卷积核(滤波器)的通道数需要和输入的通道数相同,所以也为C,假设卷积核的大小为K x K,一个卷积核就为K x K x C,计算时卷积核的对应通道应用于输入的对应通道,这样一个卷积核应用于输入就得到输出的一个通道。假设有P个K x K x C的卷积核,这样每个卷积核应用于输入都会得到一个通道,所以输出有P个通道。
在这里插入图片描述
看到挺多人看的,我就再补充个卷积层计算实例,供大家参考

卷积层计算实例

如何确定CNN的卷积核通道数和卷积输出的通道数(深度)_第1张图片
这个例子中,输入是3通道,输出是2通道。所以有2个卷积核(对应输出通道数),每个卷积核是3通道的(对应输入通道数),卷积核的大小是3*3的。
接下来举例说明,这个-3是如何计算出来的。
如何确定CNN的卷积核通道数和卷积输出的通道数(深度)_第2张图片
如何确定CNN的卷积核通道数和卷积输出的通道数(深度)_第3张图片
看到这,如果对你有所帮助,点个赞再走呗,谢谢~

你可能感兴趣的:(计算机视觉论文)