概念学习(一):卷积核/过滤器、特征图(featue map)、卷积层

本文介绍了卷积神经网络的基础知识,包括卷积核(过滤器)、特征图(feature map)和卷积层的概念。卷积核具有长、宽、深三个维度,其数量和尺寸影响输出特征图的个数。特征图根据输入层的不同(如灰度图或彩色图)有不同的数目。卷积层通过卷积核对输入图像进行处理,产生新的特征图。文章还提到了卷积层的代码实现,并简要提及了Batch Normalization的作用。

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

作为基础学习,建议先看一看电子版的:

[美] Michael Nielsen著,Xiaohu Zhu/Freeman Zhang译:《神经⽹络与深度学习》(Neural Networks and Deep Learning)

这本书深入浅出,把神经网络的基本原理讲得比较清楚。

 

人们把feature map翻译成特征图,把channel翻译为通道。有时这二者说的是同一件事;但有时强调输入输出时就叫通道,强调图片经过神经网络运算后发现的特征就叫特征图。在下文的说明过程中,我们不做显著的区分,同学们可以理解为上一层输出的feature maps就是下一层输入的channels。

 

(1)卷积核/过滤器

卷积核也称为过滤器(filter)。

每个卷积核具有长、宽、深三个维度。

卷积核的长、宽都是人为指定的,长X宽也被称为卷积核的尺寸,常用的尺寸为3X3,5X5等。

在指定卷积核时,只需指定其长和宽两个参数,这是因为通常卷积核的深度(也可以理解为通道数)与当前图像的深度(feather map的个数,比如:RGB三个通道就是三个feature map)相同。

卷积过程中,输入层有多少个通道(输入的feature map个数),滤波器就要有多少个通道(卷积核的深度);但是滤波器的数量是任意的,滤波器的数量决定了卷积后输

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