1 卷积核
卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义（或自定义），这个函数称为卷积核。如下图中间部分所示。
2 特征图
经过卷积核运算之后的图成为特征图
3 感受野
感受野的定义是，对于某层输出特征图上的某个点，在卷积神经网络的原始输入数据上能影响到这个点的取值的区域。
3 卷积维度的判断
判断一个卷积操作是1维、2维还是3维卷积，并不是看输入图的维度，也不是看卷积核的维度，而是看卷积核在输入图上进行卷积时移动的维度。
如上图a所示，卷积核在输入图上先向右移动，再向下移动，因此该卷积是二维卷积；图b虽然输入图包含多个通道，但是卷积核的移动依然是二维的，所以该卷积还是二维卷积，求卷积核的通道数和输入图的通道数相同；图c卷积核的通道数小于输入图的通道数，卷积核的移动维度是三维的，因此图c的卷积才是三维卷积。
4 输入图的通道数、卷积核的通道数、输出特征图的通道数
一般要求卷积核的通道数和输入图的通道数相同，例如输入图的通道数是3，那么卷积核的通道数也是3，这样每个通道分别进行独立的卷积运算，得到的输出特征图有三个，还需要将这三个特征图相加，得到一个特征图，这个特征图才是一次卷积的最后结果。卷积核的个数是人为指定的，不同的卷积核提取输入图的不同特征，因此输出特征图的通道数和卷积核的个数是一样的。
图示输入图的通道数有3，卷积核的通道数也是3，有两个卷积核，最终卷积的结果包含两个通道
标签：输出,卷积,特征,神经网络,维度,若干,输入,通道 来源： https://www.cnblogs.com/foghorn/p/15144013.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。