卷积神经网络CNN之RGB三通道图像卷积计算

最新推荐文章于 2025-04-29 01:17:27 发布
最新推荐文章于 2025-04-29 01:17:27 发布
阅读量1.1w 收藏 42
点赞数 10
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_36537768/article/details/89648086
版权
本文深入解析了CNN中的卷积层工作原理，重点介绍了局部连接特性及卷积计算过程，通过实例演示了卷积核与步幅对特征提取的影响。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

  CNN里面最重要的构建单元就是卷积层。神经元在第一个卷积层不是连接输入图片的每一个像素，只是连接它们的感受野的像素，以此类推，第二个卷积层的每一个神经元仅连接位于第一个卷积层的一个小方块的神经元，即局部连接。CNN里的卷积层对输入进行特征抽取、归纳、整理，这也是CNN比只有全连接层FC的DNN准确率要高的一个原因。
  下面举个小栗子解释一下卷积如何手动计算的！

三通道卷积计算

  首先注意两点：卷积核大小以及步幅。本例中步幅为2，两个卷积核皆为3 * 3 * 3（三行三列三通道）。输入为三通道图像，经过两个卷积操作得到两个特征图。

三通道卷积计算
三通道卷积计算

  以上为两个手写计算得到的两个值。说白了就是wx+b的计算。注意步幅！

耘慧大美
关注
DL之CNN：卷积神经网络算法简介之原理简介(步幅/填充/特征图)、七大层级结构(动态图详解卷积/池化+方块法理解卷积运算)之详细攻略
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
03-21 1万+
​ DL之CNN：卷积神经网络算法简介之原理简介(步幅/填充/特征图)、七大层级结构(动态图详解卷积/池化+方块法理解卷积运算)之详细攻略 目录 相关文章 CNN 的层级结构及相关概念 七大层级结构简介 CNN各层卷积所干的事(各个层级结构的结果可视化) 相关文章 AI之DL：人工智能领域—深度学习的简介(包括相关术语概念)、常用算法、常用框架、应用场景之详细攻略 https://yunyaniu.blog.youkuaiyun.com/article/details/7
计算机视觉卷积神经网络CNN架构设计指南：如何构建高效的视觉模型？
热门推荐
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
04-20 11万+
计算机视觉CNN架构设计指南：如何构建高效的视觉模型？人工智能、大模型、AI、计算机视觉领域，卷积神经网络（Convolutional Neural Network，CNN）已成为主导性的模型架构。从图像分类到目标检测，从语义分割到图像生成，CNN 展现出了强大的性能。构建一个高效的 CNN 视觉模型，不仅需要对其基本原理有深入理解，还需要掌握一系列架构设计技巧。本文将详细探讨如何构建高效的 CNN 视觉模型，涵盖从基础概念到复杂架构设计的各个方面，并通过丰富的代码示例帮助读者更好地理解和实践。
1.6卷积神经网络笔记—三维RGB图像卷积
qq_30979017的博客
03-02 1万+
1.三维立体图像（RGB三通道）的卷积运算6*6*3分别代表RGB图像的 高、宽、通道数；3*3*3分别代表滤波器矩阵 高、宽、通道数。图像和滤波器通道数必须相等（匹配）将3*3*3滤波器转换成立方体，一共3^3=27个数值，（按照前面章节介绍的卷积运算计算）。分别乘与滤波器对应的RGB图像三个通道的数值，再相加得到4*4输出矩阵的值。2.3*3*3滤波器作用检测某一通道的边缘特征：将3*3*3滤...
卷积神经网络（Convolutional Neural Network, CNN）中的通道（Channels）
最新发布
Rhett_Butler0922的博客
04-29 870
卷积层：通过卷积核数量改变通道数（），提取新特征。池化层：保持通道数不变，缩小空间尺寸。批归一化：归一化每个通道的特征分布，通道数不变。1x1卷积：调整通道数，融合通道信息。残差连接：确保通道数一致以进行相加，可能需要1x1卷积调整。
多通道(比如RGB三通道)卷积过程
u014114990的专栏
04-11 10万+
今天一个同学问 卷积过程好像是对 一个通道的图像进行卷积， 比如10个卷积核，得到10个feature map， 那么输入图像为RGB三个通道呢，输出就为 30个feature map 吗， 答案肯定不是的， 输出的个数依然是 卷积核的个数。 可以查看常用模型，比如lenet 手写体，Alex imagenet 模型， 每一层输出feature map 个数 就是该层卷积核的个数。 1、
多通道(比方RGB三通道)卷积过程
weixin_34417183的博客
07-28 608
今天一个同学问 卷积过程好像是对 一个通道的图像进行卷积， 比方10个卷积核，得到10个feature map， 那么输入图像为RGB三个通道呢，输出就为 30个feature map 吗， 答案肯定不是的， 输出的个数依旧是 卷积核的个数。 能够查看经常使用模型。比方lenet 手写体，Alex imagenet 模型， 每一层输出feature map 个数 就是该层卷积核的个数。 ...
RGB三通道图像二维卷积运算
ll19930120的专栏
07-23 2537
RGB图像四维卷积运算方法一：分离通道，二维卷积 （大矩阵效率低） 方法一：分离通道，二维卷积 （大矩阵效率低） 对图像进行padding，保证有效数据宽高和缩放后图像的宽高一致(卷积核中心点对应于实际坐标点） int kernel_height = 7; int kernel_width = 7; int h_padding = kernel_height / 2; int w_padding = kernel_width / 2; int resize_height = 224; int resiz
卷积神经网络(CNN)
一般路过底层打工人的博客
10-25 2061
介绍了卷积神经网络各层的设计、卷积的概念、卷积神经网络反向传播的计算步骤以及使用pytorch实现卷积神经网络的代码。
深度学习基石：卷积神经网络（CNN）与图像识别
weixin_69882801的博客
02-15 766
在传统全连接神经网络中，每个神经元都与相邻层的所有神经元连接。以MNIST数据集（28×28像素）为例，输入层需784个神经元，若第一隐藏层有1000个神经元，参数规模将达784×1000=784,000。这种结构存在两大核心问题：参数爆炸问题对于高分辨率图像（如1024×1024的RGB图像），输入层参数达3,145,728个。空间信息破坏空间邻域像素间的关联性（如边缘连续性、纹理方向性）被完全忽略。
学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇
Morganfs的博客
04-12 11万+
深度学习笔记——CNN卷积神经网络理论篇。主要包括CNN的概念、基本原理、类型综述。算是比较完善的一篇文章了。
【人工智能基础07】卷积神经网络基础（CNN）：卷积神经网络结构、各层计算原理，以及常见卷积神经网络
hiliang521的博客
08-03 6166
卷积神经网络
卷积神经网络，边缘检测，卷积核，池化层，三通道卷积
tqptr_opqww的博客
12-19 1897
卷积神经网络 1.卷积计算与边缘检测示例 1.1 卷积运算 ​ 假设输人是一张灰度图图像， 那么输人的深度就是1 ，如图所示输人图像尺寸是10 ×10 × 1 。现在选择一个尺寸（ 通常选择3 × 3 或5 × 5 ， 如图左侧所示） ， 从输人图像左上角开始水平移动（ 水平方向到头的话， 垂直移动一步后再次水平移动） ， 直到滑过整个输人图像， 最终到达图像右下角。这个在输人图像上选择的尺寸...
三维卷积与二维多通道卷积
ThreeStones1029的博客
03-21 867
三维卷积原理与二维多通道卷积的区别
参看caffe中三通道彩色图像的卷积过程
机器学习的小学生
04-08 4673
E:\caffe-windows-lib\matlab\hdf5creation\predict_label_testdata_for_analysis.m代码：clearvars;close all;if ~exist('ttest_data','var')||~exist('means','var') test_data = load('ttest_data.mat'); % load
多通道（以rgb为例）图象输入的卷积计算过程
weixin_38282236的博客
10-14 5960
多通道卷积计算 http://blog.youkuaiyun.com/yudiemiaomiao/article/details/72466402 多通道(比如RGB三通道)卷积过程 http://blog.youkuaiyun.com/u014114990/article/details/51125776
卷积网络和transformer如何处理三通道图片
xu_white的博客
05-23 1058
卷积过程中，最主要的是：输入层有多少个通道，卷积核就要有多少个通道，但是卷积核的数量是任意的，卷积核的数量决定了卷积后 featuremap 的通道数。
多通道卷积
zhendianluli的博客
12-15 325
6个卷积核组，3个通道每个通道有一个5×5的卷积核，3个通道为一组。以下这个图可以更直观的概括多通道多核的卷积过程：（一个卷积核组）3通道的特征图经过一一对应的3通道的卷积核，生成一个新的特征图。填充：使原来边缘点也多次参与运算否则只参与一次计算。
卷积神经网络中的参数计算
The Best or Nothing.
02-19 2887
卷积神经网络中的参数计算 原文地址：https://www.cnblogs.com/hejunlin1992/p/7624807.html 举例1： 　　比如输入是一个32x32x3的图像，3表示RGB三通道，每个filter/kernel是5x5x3，一个卷积核产生一个feature map，下图中，有6个5x5x3的卷积核，故输出6个feature map（activation map）...
多通道 CNN 卷积计算公式
03-21
### 多通道 CNN 卷积层计算公式及其数学推导 在卷积神经网络（CNN）中，多通道输入数据通常用于处理图像或其他具有多个特征维度的数据。例如，在RGB彩色图像中，每个像素有三个颜色通道：红色、绿色和蓝色。为了有效地提取这些多维数据中的空间特征，卷积操作被扩展到支持多通道输入。 #### 1. 基本概念 对于单通道输入，卷积核是一个二维矩阵，它与输入数据进行滑动窗口操作并执行逐元素相乘再求和的操作[^1]。然而，在多通道情况下，卷积核不仅需要覆盖输入的空间维度（高度和宽度），还需要覆盖所有的输入通道数。因此，一个多通道卷积核实际上是由多个二维卷积核组成的三维张量，其中每个二维卷积核对应于输入的一个特定通道。 #### 2. 多通道卷积的定义 假设输入数据 \( X \in \mathbb{R}^{H_{\text{in}} \times W_{\text{in}} \times C_{\text{in}}} \)，表示输入的高度 (\( H_{\text{in}} \))、宽度 (\( W_{\text{in}} \)) 和通道数 (\( C_{\text{in}} \))。卷积核 \( K \in \mathbb{R}^{C_{\text{out}} \times k_h \times k_w \times C_{\text{in}}} \)，其中 \( C_{\text{out}} \) 是输出通道的数量，\( k_h \) 和 \( k_w \) 分别是卷积核的高度和宽度。 对于每一个输出通道 \( c' \) （\( c' = 0, ..., C_{\text{out}}-1 \)），对应的卷积核为 \( K_{c'} \in \mathbb{R}^{k_h \times k_w \times C_{\text{in}}} \)。该卷积核会作用在整个输入上，并通过如下公式计算： \[ Z[h', w', c'] = b[c'] + \sum_{h=0}^{k_h-1}\sum_{w=0}^{k_w-1}\sum_{c=0}^{C_{\text{in}}-1} X[h+h', w+w', c] \cdot K_{c'}[h, w, c], \] 这里： - \( h' \), \( w' \) 表示输出位置， - \( b[c'] \) 是偏置项， - \( X[h+h', w+w', c] \) 是输入数据的一部分， - \( K_{c'}[h, w, c] \) 是卷积核的部分权重。 上述公式可以理解为：对于每一对输入通道和卷积核通道，先做标准的二维卷积运算；然后将所有通道的结果加总起来得到最终的响应值[^2]。 #### 3. 输出尺寸计算 如果给定步幅 (stride) \( s \) 和填充大小 (padding) \( p \)，则输出的高度和宽度可以通过下面的公式得出： \[ H_{\text{out}} = \left\lfloor \frac{H_{\text{in}} + 2p - k_h}{s} \right\rfloor + 1, \] \[ W_{\text{out}} = \left\lfloor \frac{W_{\text{in}} + 2p - k_w}{s} \right\rfloor + 1. \] 这一步骤考虑到了如何调整输入数据以适应不同的卷积参数设置。 #### 4. 实现代码示例 以下是基于 Python 的简单实现片段展示如何手动完成一次多通道卷积过程： ```python import numpy as np def convolve_multi_channel(input_data, kernel, bias=None, stride=1, padding=0): batch_size, input_height, input_width, num_input_channels = input_data.shape output_channels, filter_height, filter_width, _ = kernel.shape padded_input = np.pad( input_data, ((0, 0), (padding, padding), (padding, padding), (0, 0)), mode='constant' ) output_height = int((input_height + 2 * padding - filter_height) / stride + 1) output_width = int((input_width + 2 * padding - filter_width) / stride + 1) result = np.zeros((batch_size, output_height, output_width, output_channels)) for out_c in range(output_channels): current_kernel = kernel[out_c] for i in range(output_height): for j in range(output_width): patch_start_i = i * stride patch_end_i = patch_start_i + filter_height patch_start_j = j * stride patch_end_j = patch_start_j + filter_width patches = padded_input[:, patch_start_i:patch_end_i, patch_start_j:patch_end_j, :] result[:, i, j, out_c] += np.sum(patches * current_kernel, axis=(1, 2, 3)) if bias is not None: result[..., out_c] += bias[out_c] return result ``` 此函数接受四维数组作为输入 (`batch`, `height`, `width`, `channels`) 并返回经过卷积后的结果。
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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