假设我有一个卷积神经网络，其中我的输入图像尺寸为 25x25x3（3 个颜色深度通道），并通过 5 个内核的卷积层，每个 3x3
每个内核的深度将始终与输入深度相同，所以我的内核实际上是 3x3x3
该层将在 25x25x3 输入图像上对每个 3x3x3 内核进行卷积。每个内核卷积将产生一个 25x25x1 的特征图（然后将其堆叠以产生 25x25x5 的输出体积）
我对二维卷积（深度为 3）如何生成只有深度为 1 的特征图感到困惑
我在想象空间维度上的单独卷积（3x3 超过 25x25，分别针对 3 个深度通道中的每一个）。跨 3 个深度通道的空间卷积如何浓缩到 1 个输出深度通道（对于每个内核）？那里有什么操作？是简单的总结吗？最大限度？或者是其他东西？
您已经了解单个内核的尺寸是 3x3x3，并且有 5 个内核。所以每个内核是一个 3x3 像素的 2D 窗口，每个内核中有 3 个分量，一个对应于每个颜色通道（R、G、B）。当内核被放置在输入图像上的特定位置时，它的 3 个分量与相应通道的像素数据相乘（点积），为每个分量（或通道）生成一个标量数。所以你得到 3 个标量，每个通道一个。然后将这些标量相加，并将表示滤波器偏差的另一个标量添加到和中。最终结果是单个标量。
您可以在此页面的卷积演示部分下查看动画演示。使用Toggle Movement按钮暂停动画并查看输出是如何生成的。
在上面的屏幕截图中（随机拍摄），应用卷积的图像通道部分用蓝色勾勒出来。过滤器 W1 的三个组件用红色标出。如果您将每个 3x3 蓝色矩形的点积与它的过滤器组件相乘，您将得到一个标量。为每个通道获得的 3 个标量与滤波器 W1 的偏差一起汇总，显示为滤波器组件下方的单个单元格。结果是一个标量，数字 2，在最后一列中以绿色勾勒。
文本还描述了卷积是如何进行的。
我有这个完全相同的问题，并来到这里寻找答案。@farhanhubble，您的回答非常有帮助。这是在您共享的站点的图像上绘制的卷积数学，只是为了进一步澄清。
图片来自与 farhanhubble 的答案相同的站点。