Keras Conv2D和輸入通道

的Keras層文檔指定卷積層的輸入和輸出的大小： https://keras.io/layers/convolutional/Keras Conv2D和輸入通道

輸入形狀：(samples, channels, rows, cols)

輸出形狀：(samples, filters, new_rows, new_cols)

而且核尺寸是空間參數，即僅確定寬度和高度。

因此，具有c通道的輸入將產生帶有filters通道的輸出，而不管c的值如何。因此它必須對空間濾波器應用2D卷積，然後以某種方式彙總每個學習過濾器的結果。

什麼是聚合算子？這是跨渠道的總結嗎？我可以控制它嗎？我無法在Keras文檔中找到任何信息。

注意，在TensorFlow的過濾器在深度信道指定的，以及： https://www.tensorflow.org/api_guides/python/nn#Convolution，所以深度操作是顯而易見的。

謝謝。

來源

2017-04-09 yoki

您需要閱讀[這]（http://cs231n.github.io/卷積的網絡/）。 –

本頁內容：「在輸出體積中，第d個深度切片（大小爲W2×H2）是將第d個濾波器在輸入音量上進行有效卷積和SS步幅的結果，然後被第d個偏差抵消「。所以我仍然沒有關注一個體積與二維內核的卷積如何變成二維結果。通過求和減少深度尺寸？ – yoki

「示例1.例如，假設輸入體積大小爲[32x32x3]（例如RGB CIFAR-10圖像）。如果接受區域（或濾鏡大小）爲5x5，則Conv Layer中的每個神經元將對於總共5 * 5 * 3 = 75的權重（和+1偏置參數），輸入體積中的[5x5x3]區域具有權重。請注意，沿深度軸的連接範圍必須爲3，因爲此是輸入音量的深度。「 - 我想你錯過了它的3D內核[寬度，高度，深度]。所以結果是跨渠道求和。 –

這可能會造成混亂，這被稱爲Conv2D層（這是對我來說，這就是爲什麼我來尋找這個答案），因爲Nilesh製作Birari評論：

我猜你缺少它是3D內核[寬度，高度，深度]。所以結果是跨渠道求和。

也許2D從一個事實，即僅內核滑動沿兩個維度中，第三尺寸是固定的，通過輸入信道的數量（輸入深度）測定的莖。

更詳盡的解釋，閱讀https://petewarden.com/2015/04/20/why-gemm-is-at-the-heart-of-deep-learning/

我彈撥從那裏的說明性圖片：

來源

2017-07-12 10:26:18 noio

那麼每個濾波器的通道都有自己的可以優化的權重？或者我們只計算一個通道的權重，並將其用作過濾器其餘通道的值。 – Moondra

Keras Conv2D和輸入通道

回答

相關問題