代码之家 › 专栏 › 技术社区 › Sakhri Houssem

我们如何计算卷积输出的深度?

convolution conv-neural-network artificial-intelligence deep-learning neural-network

Sakhri Houssem · 技术社区 · 8 年前

如何在Conv输出中获得特征图编号(深度H)

我认为 H = D * 过滤器数量 !!

1 回复 | 直到 8 年前

myrtlecat 8 年前

H可自由选择。它不依赖于任何其他参数。

每个H“特征映射”将由不同的k x k x D内核生成。这通常被描述为一个形状为H x k x k x D的4D内核。

在原文中,它说了同样的话,但可能更清楚:

输入的大小为N x N x D,并与H个核进行卷积,每个核的大小分别为k x k x D。输入与一个核的卷积产生一个输出特征,而与H个核的卷积独立产生H个特征。

这个术语一开始可能会令人困惑,因为同一件事使用了多个术语。H可以称为 内核数 或 过滤器数量 或 输出特征数 或者 过滤器映射数 .

推荐文章

bz_jf · CNN训练损失太不稳定了

4 年前

Elia · TF |培训结束后如何从CNN预测

8 年前

Cameron Blake · 基于Keras的误差多分类神经网络

8 年前

Md Riaz · 多标签文本分类。我有一个文本/标签csv。文本是纯文本,标签是字母数字

8 年前

mcanizo · keras conv1d输入数据重塑

8 年前

batuman · Google Net的感受野计算

8 年前

Nima · caffe检查失败:kernel\u size指定了2次;0个空间DIM

8 年前

user288609 · ValueError:输入0与层conv1d\u 1不兼容:预期ndim=3,发现ndim=4

8 年前

KatharsisHerbie · 两种不同输入类型(图像和值)的Keras神经网络

8 年前

Adam Collins · sess中的第二个feed\u dict。run(),培训时评估

8 年前