卷积神经网络中特征图的数量


16

在学习卷积神经网络时,我对下图有疑问。

1)第1层中的C1有6个特征图,是否意味着有6个卷积核?每个卷积核用于基于输入生成特征图。

2)第2层中的S1具有6个特征图,C2具有16个特征图。基于S1中的6个特征图来获得这16个特征图的过程是什么样的?

在此处输入图片说明

Answers:


13

1)第1层中的C1有6个特征图,是否意味着有6个卷积核?每个卷积核用于基于输入生成特征图。

有6个卷积内核,每个卷积内核用于根据输入生成特征图。换句话说,有6个过滤器或3D权重集,我将这些权重称为权重。为了清楚起见,该图像未显示或可能应该显示的是,通常图像具有3个通道,例如红色,绿色和蓝色。因此,将您从输入映射到C1的权重的形状/尺寸为3x5x5,而不仅仅是5x5。将相同的3维权重或内核应用于整个3x32x32图像,以在C1中生成2维特征图。在此示例中有6个内核(每个3x5x5),因此在此示例中制作了6个特征图(每个28x28,因为步幅为1,填充为零),每个特征图都是在输入上应用3x5x5内核的结果。

2)第1层中的S1具有6个特征图,第2层中C2具有16个特征图。基于S1中的6个特征图来获得这16个特征图的过程是什么样的?

现在执行与第一层相同的操作,但对第二层执行相同的操作,只是这次通道的数量不是3(RGB),而是6,对于S1中的特征图/滤镜数量为6。现在有16个唯一的内核,每个内核的形状/尺寸为6x5x5。每个第2层内核都应用于整个S1,以在C2中生成2D特征图。对于第2层中的每个唯一内核(共16个)执行16次操作,以在第2层中生成16个特征图(每个10x10,因为跨度为1,填充为零)。

来源:http//cs231n.github.io/convolutional-networks/

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.