标签：map 直观图 卷积 feature W0 框中 输入 通道

卷积神经网络的通道数与卷积核数的关系

1.上图中总共有二个卷集核，分别是W0和W1,大小都是3x3x3，前面的3x3是卷积核大小，后面的3是输入的feature map的通道，如果在tensorflow的卷积函数中形式是3x3x3x2，前面和上面一样，最后2就是输出的feature map的通道数，也是卷积核的数量。
2.以w0为例，蓝色框中三个通道各个位置的数值A=[[0,0,0,0,0,1,0,0,1],[0,0,0,0,1,1,0,0,2],[0,0,0,0,2,0,0,0,0]}乘以粉色框（卷积核）的各个通道各个位置的数值W0=[[1,1,-1,-1,0,1,-1,-1,0],[-1,0,-1,0,0,-1,1,-1,0],[0,1,0,1,0,1,0,-1,1]]，最后在加上偏置b=1,就会得到绿色框中的数值。AW0+b=output0
引用自https://segmentfault.com/q/1010000016667038

标签：map,直观图,卷积,feature,W0,框中,输入,通道
来源： https://blog.csdn.net/weixin_44438120/article/details/104839736

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。