號卷積網絡輸入通道的

我正在關注的「深爲MNIST專家」教程TensorFlow：https://www.tensorflow.org/tutorials/mnist/pros/號卷積網絡輸入通道的

第二卷積層具有形狀[5，5，32，64];也就是說，它有32個輸入，而第一個卷積層有1個輸入（輸入是我理解原始圖像的灰度值）。

是什麼意思是，第二卷積層具有32個輸入通道？這是否意味着在第二層學習的64個過濾器將全部應用（轉移）到每個像素具有32個點的「虛擬」圖像（該「虛擬」圖像由每個過濾器學習到的原始圖像組成第一步已經被應用）？如果我之前說過的是正確的，那麼如何將2D 5x5濾鏡應用於每像素具有32個點/值的圖像？

來源

2017-01-02 Jack

我如何過明白你的問題，我不這麼認爲對這些問題的最佳場所，嘗試數據科學 – Arman

第一卷積層具有以下的權重：

W_conv1 = weight_variable([5, 5, 1, 32])

這裏5x5是貼片尺寸1是輸入信道的數目和32是輸出信道的數目。因此在第一次卷積之後，輸出具有32個通道，因此第二卷積層的權重矩陣的形狀具有輸入通道32。

來源

2017-01-05 00:39:15

所以你的意思就像一個彩色圖像有三個通道（RGB），一個第一卷積有後32？我們如何將5x5濾波器矩陣與32通道圖像的5x5部分相乘？（或者更簡單地放置一個具有多個頻道的圖像）。 – Jack

「所以你的意思就像一個彩色圖像有三個通道（RGB），第一個卷積後的那個有32個？」究竟。「我們如何將5x5濾波器矩陣與具有32個通道的圖像的5x5部分相乘？」想象一下你有一個5x5x32的過濾器。你將它與圖像的「相應」補丁相乘，並將所有值相加得到一個標量。這裏你的權重矩陣的維數爲[5,5,32,64]，這意味着圖像的每個補丁有64個這樣的濾波器，這將給你64個標量。如果您在整個圖像上執行此操作，您將獲得64通道的新圖像。希望澄清 –

@TheMyth準確地說，我們每個補丁會獲得64個通道，而不是每個映像的權利？我假設卷積是通過以每個輸入像素爲中心的貼片完成的，因此該圖層的輸出神經元數將是圖像大小*圖像大小* 64？ –

號卷積網絡輸入通道的

回答

相關問題