卷积神经网络中二维卷积核与三维卷积核有什么区别？

深度解析：一维到三维卷积神经网络的通道理解与应用

原创

已于 2022-04-21 00:58:50 修改 · 1.2w 阅读

CC 4.0 BY-SA版权

文章标签：

于 2022-04-21 00:15:20 首次发布

本文详细介绍了从一维到三维卷积神经网络中通道的概念，包括单通道和多通道的区别，以及它们在图像处理、自然语言处理和医学领域中的实际应用。通过计算公式和实例演示，帮助读者深入理解CNN中的channel作用和参数计算方法。

1 一维卷积神经网络（1D-CNN）

一维卷积常用在序列模型、自然语言处理领域；

图中的输入的数据维度为8，过滤器的维度为5。与二维卷积类似，卷积后输出的数据维度为8−5+1=4。
如果过滤器数量仍为1，输入数据的channel数量变为16，即输入数据维度为8×16。这里channel的概念相当于自然语言处理中的embedding，而该输入数据代表8个单词，其中每个单词的词向量维度大小为16。在这种情况下，过滤器的维度由55变为5×16，最终输出的数据维度仍为4。
如果过滤器数量为n，那么输出的数据维度就变为4×n。
一维卷积常用于序列模型，自然语言处理领域。

二维卷积常用在计算机视觉、图像处理领域（在视频的处理中，是对每一帧图像分别利用CNN来进行识别，没有考虑时间维度的信息）；

图中的输入的数据维度为14×14，过滤器大小为5×5，二者做卷积，输出的数据维度为10×10（14−5+1=10）。。
上述内容可以说channel的数量为1。如果将二维卷积中输入的channel的数量变为3，即输入的数据维度变为（14×14×3）。由于卷积操作中过滤器的channel数量必须与输入数据的channel数量相同，过滤器大小也变为5×5×3。在卷积的过程中，过滤器与数据在channel方向分别卷积，之后将卷积后的数值相加，即执行10×10次3个数值相加的操作，最终输出的数据维度为10×10。
以上都是在过滤器数量为1的情况下所进行的讨论。如果将过滤器的数量增加至16，即16个大小为10×10×3的过滤器，最终输出的数据维度就变为10×10×16。可以理解为分别执行每个过滤器的卷积操作，最后将每个卷积的输出在第三个维度（channel 维度）上进行拼接。
二维卷积常用于计算机视觉、图像处理领域。