理解神经网络的通道数
- 1. 神经网络的通道数
- 2. 输出的宽度和长度
- 3. 理解神经网络的通道数
- 3.1 都是错误的图片惹的祸
- 3.1.1 没错但是看不懂的图
- 3.1.2 开玩笑的错图
- 3.1.3 给人误解的图
- 3.2 我或许理解对的通道数
- 3.2.1 动图演示
1. 神经网络的通道数
半路出嫁到算法岗,额。。。。。多少有点,算了不说了。
- 垃圾的python
- 相信很多人赞同python的语法,真叫个还有王法吗?还有法律吗?
2. 输出的宽度和长度
看官网的截图
(https://pytorch.org/docs/stable/generated/torch.nn.Conv2d.html#torch.nn.Conv2d)
相信大家都能理解。但是输出的通道数和输出的通道数我就不太好理解了。
3. 理解神经网络的通道数
3.1 都是错误的图片惹的祸
3.1.1 没错但是看不懂的图
请问这里的32*32*3
怎么得到28*28*6
的呢
3.1.2 开玩笑的错图
标出了三个错误点
3.1.3 给人误解的图
3.2 我或许理解对的通道数
参考:
- https://www.bilibili.com/video/BV1jg4y1t7ha/?vd_source=26bb43d70f463acac2b0cce092be2eaa
- https://zhuanlan.zhihu.com/p/645281334
- https://blog.csdn.net/qq_26928055/article/details/117637017
- 假设输入是一个5*5*3的长5宽5的 RGB 3通道的图片。那么一个卷积核就是3*3*3的长3宽3的3通道矩阵。
2. 一个卷积核计算完一个RGB图片,输出也是3通道,那为啥图上变成了一个绿色的图片?因为算出来之后需要每个通道的数值相加。加完之后就变成了一个通道了啊。
3.2.1 动图演示
form:https://segmentfault.com/q/1010000016667038
Input Volume
和Filter W0
相乘加Bias b0
得到o[:,:,0]
Input Volume
和Filter W1
相乘加Bias b1
得到o[:,:,1]
Input Volume
是一个7*7*3
的图片Filter W0
都是一个3*3*3
的卷积核Filter W1
都是一个3*3*3
的卷积核