“深入卷积”中的DepthConcat操作如何工作？

阅读随着卷积的深入学习，我遇到了DepthConcat层，这是拟议的初始模块的构建块，该层结合了大小不同的多个张量的输出。作者称此为“过滤器串联”。Torch似乎有一个实现，但是我真的不明白它的作用。有人可以用简单的语言解释吗？

我认为启动模块的输出大小不一样。

对于卷积层，人们经常使用填充来保留空间分辨率。

其他卷积层中的右下池化层（蓝框）可能看起来很尴尬。但是，与传统的池子采样层（红色框，步幅> 1）不同，他们在池层中使用步幅1。第1步合并层实际上以与卷积层相同的方式工作，但是卷积操作由max操作代替。

因此，池化层之后的分辨率也保持不变，我们可以在“深度”维度将池化和卷积层连接在一起。

如上图所示，接收模块实际上保持了空间分辨率。

当您阅读该白皮书时，我有一个相同的想法，所引用的资源已帮助我提出了一个实施方案。

在您引用的Torch代码中，它说：

--[[ DepthConcat ]]--
-- Concatenates the output of Convolutions along the depth dimension
-- (nOutputFrame). This is used to implement the DepthConcat layer
-- of the Going deeper with convolutions paper :

深度学习中的“深度”一词有点含糊。幸运的是，此SO Answer提供了一些清晰度：

在深度神经网络中，深度指的是网络的深度，但是在这种情况下，深度用于视觉识别，并转换为图像的第三维。

在这种情况下，您有一张图像，此输入的大小为32x32x3，即（宽度，高度，深度）。当深度转换为训练图像的不同通道时，神经网络应该能够基于该参数进行学习。

因此，DepthConcat将深度张量连接到深度尺寸上，该深度尺寸是张量的最后一个尺寸，在本例中是3D张量的第3个尺寸。

DepthConcat需要使除深度维度外的所有维度上的张量相同，如Torch代码所示：

-- The normal Concat Module can't be used since the spatial dimensions
-- of tensors to be concatenated may have different values. To deal with
-- this, we select the largest spatial dimensions and add zero-padding
-- around the smaller dimensions.

例如

A = tensor of size (14, 14, 2)
B = tensor of size (16, 16, 3)
result = DepthConcat([A, B])
where result with have a height of 16, a width of 16 and a depth of 5 (2 + 3). 

在上图中，我们看到了DepthConcat结果张量的图片，其中白色区域是零填充，红色是A张量，绿色是B张量。

这是此示例中DepthConcat的伪代码：

1. 查看张量A和张量B并找到最大的空间尺寸，在这种情况下，张量B的宽度为16，高度为16。由于张量A太小并且与张量B的空间尺寸不匹配，因此需要填充。
2. 通过将零添加到第一维和第二维上以形成张量A的大小（16、16、2），以零填充张量A的空间尺寸。
3. 沿着深度（第3个）维度将填充的张量A与张量B连接起来。

我希望这可以帮助其他认为相同问题的人阅读该白皮书。