CNN多个channel的卷积计算

1. 对于一个channel的图像,卷积计算很简单

     例如:若有10个卷积核,则卷积输出10个feature map

      一个卷积核得到的特征提取是不充分的,我们可以添加多个卷积核,比如32个卷积核,从而可以学习32种特征。

 

2. 对多个channel的图像

    与单channel卷积有个共同点需要记住:有几个卷积核,就会输出几个Feature map

  • 简而言之,在某个卷积层中,可以有多个卷积核:下一层需要多少个feather map,本层就需要多少个卷积核

    举例:

           输入图片尺寸:高度 H ,宽度 W,图片channel  C,一般使用RGB三通道。

           卷积核: 卷积核大小 K * K,由于输入图片的channel是 C,因此卷积核就是 K *  K * C 大小的。这里需要记住,卷积核的

                           最后一维一定跟输入图片的channel是相同的。

            对于RGB三通道图像,在指定kernel_size的前提下,真正的卷积核大小是kernel_size*kernel_size * 3。 

          卷积过程:对一个卷

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值