卷积神经网络中的通道、过滤器和卷积核
发布时间：2021-01-11 栏目：人工智能, 图像处理, 机器视觉, 深度学习 评论：0 Comments
过滤器或者卷积核相当于CNN网络中的平铺并行操作，而且是局部连接的：
- – 对于最初输入图片样本的通道数
in_channels取决于图片的类型，如果是彩色的，即RGB类型，这时候通道数固定为3，如果是灰色的，通道数为1。 - – 卷积完成之后，输出的通道数
out_channels取决于过滤器的数量。从这个方向理解，这里的out_channels设置的就是过滤器的数目。 - – 对于第二层或者更多层的卷积，此时的
in_channels就是上一层的out_channels，out_channels还是取决于过滤器数目。
卷积核和过滤器的区别：
- – 卷积核就是由长和宽来指定的，是一个二维的概念。
- – 而过滤器是是由长、宽和深度指定的，是一个三维的概念。
- – 过滤器可以看做是卷积核的集合。
- – 过滤器比卷积核高一个维度——深度。
各个卷积核操作之后的特征图相加之后得到最后的输出：
上面的操作是对三个通道分别做卷积操作，然后将卷积的结果相加，最后输出一个特征图。
即： 一个过滤器就对应一个特征图，一个过滤器中的不同channel的卷积核内容可以不同。
单通道的例子：
多通道的例子：
参考链接：https://blog.csdn.net/weixin_38481963/article/details/109920512
留下评论
You must be logged in to post a comment.
