卷积网络中激活/特征映射维数的约束
假设中间CNN层的输入大小为512×512×128，在卷积层中，我们在步长2处应用48个7×7滤波器，没有填充。我想知道结果激活图的大小是多少？
>>> import torch
>>> conv = torch.nn.Conv2d(in_channels=128, out_channels=48, kernel_size=7, stride=2, padding=0)
>>> conv
Conv2d(128, 48, kernel_size=(7, 7), stride=(2, 2))
>>> img = torch.rand((1, 128, 512, 512))
>>> out = conv(img)
>>> out.shape
(1, 48, 253, 253)
共有1个答案
还有，据我所知，这是关于这个主题的最好的教程。
奖励：这里有一个简洁的conv计算可视化工具。
-
我读过这篇文章http://www.codeproject.com/Articles/143059/Neural-Network-for-Recognition-of-Handwritten-Di当我转到这个：第0层：是MNIST数据库中手写字符的灰度图像，填充到29x29像素。输入层有29x29=841个神经元。图层#1：是一个包含六（6）个要素地图的卷积图层。从第1层到前一层有13x13x6=
-
我在Keras有卷积神经网络。我需要知道每个图层中要素地图的尺寸。我的输入是28 x 28像素的图像。我知道有一种计算方法，但我不知道如何计算。下面是我使用Keras的代码片段。 最后，这就是我想画的。非常感谢。
-
我正在试图理解卷积神经网络中的维度是如何表现的。在下图中，输入为带1个通道的28乘28矩阵。然后是32个5乘5的过滤器（高度和宽度步幅为2）。所以我理解结果是14乘14乘32。但是在下一个卷积层中，我们有64个5×5的滤波器（同样是步幅2）。那么为什么结果是7乘7乘64而不是7乘7乘32*64呢？我们不是将64个滤波器中的每一个应用于32个通道中的每一个吗？
-
假设我有一幅尺寸为125*125的RGB图像，我使用了10个尺寸为5*5、步长为3的过滤器，那么这一层的特征图是什么？特征图的参数总数是多少？10*（（125-5）/3）1=（41*41*10）（过滤器数量）但RGB图像和灰度图像之间的区别是什么？因此，对于RGB图像，它应该是41*41*30（过滤器数量*输入图像通道数量）？对于参数总数：5*5*3*10=750？
-
真的很难理解keras中卷积1d层的输入维度： 输入形状 带形状的三维张量：（采样、步长、input\u dim）。 输出形状 带形状的三维张量：（采样、新的\u步骤、nb\u过滤器）。由于填充，步骤值可能已更改。 我希望我的网络接受价格的时间序列（101，按顺序）并输出4个概率。我当前的非卷积网络做得相当好（训练集为28000）如下所示： 为了改进这一点，我想从具有长度为10的局部感受野的输入层
-
我正在使用卷积自动编码器。我的autoenoder配置有一个带stride（2,2）或avg pooling和relu激活的卷积层和一个带stride（2,2）或avg Unmooling和relu激活的反卷积层。 我用MNIST数据集训练自动编码器。 当我在第一个卷积层（20个过滤器，过滤器大小为3）后查看特征图时，我得到了一些黑色特征图，而学习到的过滤器不是黑色的。如果更改过滤器数量或过滤器大