CNN中过滤器和特征图之间的连接

机器算法验证 机器学习 神经网络 深度学习 卷积神经网络
2022-03-27 19:13:37

我正在使用 TensorFlow 和 Python 学习 CNN。

我不明白层和层之间的联系。例如，对于输入图像和第一层，这很容易，因为只有一个输入，因此特征图与过滤器一样多，每个过滤器都可以与输入图像“相乘”。生成的特征图大小为。ℓℓ+1((input_size - filter_size + 2*padding) / stride) + 1

一个类似的问题和答案清楚地回应了他的特定示例： 卷积神经网络中的过滤器和激活图是如何连接的？

但总的来说我还是不明白。当我们构建一个 CNN 时，例如：

model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape)) 
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))

TensorFlow 如何将 32 个特征图与下一个特征图联系起来？通常我会认为，使用前一层的 64 个过滤器和 32 个特征图，我们将在下一层获得 64*32 个特征图（所有特征都连接到每个过滤器）。但我认为上面的代码会产生 64 个特征图。

1个回答

您的困惑源于这样一个事实，即通道（特征图）的处理方式与其他维度有所不同。

假设(3,3)根据您的示例，您有一个灰度图像输入到第一层和 32 个形状内核。但事实上，这些内核是有形状的(3,3,1)——1对于输入中的通道数。对于 RGB 输入图像，它将是3. 通道数在代码中被简单地省略了，因为它是根据层输入的通道数自动推断出来的。

该层的输出有 32 个通道（每个内核 1 个）。在您示例的第二层中，您有 64 个形状内核(3,3)，但实际上它们是(3,3,32)！这些内核中的每一个都在聚合来自所有输入特征映射的信息。

通常我会认为，使用前一层的 64 个过滤器和 32 个特征图，我们将在下一层获得 64*32 个特征图（所有特征都连接到每个过滤器）。

我希望从上面的解释中可以清楚地看出，您没有将 64 个内核中的每一个单独应用于 32 个特征图的每一个上。相反，这 64 个内核中的每一个都同时查看所有 32 个特征图，每个内核具有不同的权重。

其它你可能感兴趣的问题
上一篇训练一个模型适用于多个时间序列 下一篇频率统计中的确定性或随机性宇宙？