对于前一层的每个信道，一个卷积滤波器总是具有不同的系数吗？
例如，我们有3个通道（红色、绿色、蓝色）的RGB图像。我们使用卷积神经网络。
每个卷积滤波器是否总是对图像的每个通道（R、G、B）具有3个不同的系数？
>
即filter-W1是否有3个不同的系数矩阵：W1[::0]，W1[::1]，W1[::2]如下图所示？
或者在现代神经网络的一个滤波器中经常使用相同的系数（<代码>W1[：：0]=W1[：：1]=W1[：：2] ）？
链接：http://cs231n.github.io/convolutional-networks/
此外：http://cs231n.github.io/convolutional-networks/#conv
卷积层
。。。
沿深度轴的连接范围始终等于输入体积的深度。在我们如何处理空间维度（宽度和高度）和深度维度时，必须再次强调这种不对称性：连接在空间上是局部的（沿宽度和高度），但总是沿着输入体积的整个深度。
共有1个答案
这里表示的是第一个隐藏的（这里是卷积层）。每个过滤器都有3个通道，因为您的输入（对于该层，您的图像）有3个通道（RGB）。导致您连接的2个特征映射（这解释了（3x3）x2大小的输出卷）。
更一般地说，对于大小为（1x）WxHxC的输入（为简单起见，让我们考虑批大小为1），每个过滤器的大小将为NxNxC（为简单起见，让我们考虑跨距为1和“相同”的填充，即使对于您的示例，它是“有效”的填充），因此对于F过滤器，您的输出大小将为（1x）WxHxF。
希望它足够清楚（例如W=H=7，C=3，N=3和F=2）。
如果不够清楚，请随时发表评论：）
-
我问了一个关于我上周建立的一个网络的问题，我重复了一些建议，这些建议导致我发现了一些问题。我回到这个项目，解决了所有问题，并在这个过程中了解了更多关于CNN的信息。现在我陷入了一个问题：我所有的权重都变成了巨大的负值，再加上输出图像中的RELU端总是完全是黑色的（这使得分类器无法完成它的工作）。 在两个标记的图像上： 这些数据被传递到一个两层网络、一个分类器（它自己获得100%）和一个单过滤器3×
-
我正在从事一个语义分割项目，该项目涉及动态过滤器，以学习多尺度表示。 为了创建这些过滤器，我使用Unet主干并从瓶颈层提取特征图。特征图的大小为H x W X 512，其中H是特征图的高度，W是宽度，512是通道（图）的数量。 这些特征被传递到1x1卷积，以将滤波器的数量减少到H X W X 128，并且这些特征也被传递到自适应池层，以将H X W X 512减少到k X k X 512，其中k是
-
我在keras建立了一个ConvNet，这是其中的两层 第一层大小的输出，我完全理解，因为有8个大小为3x3的过滤器，每个过滤器都被应用于生成单独的特征图，因此 第二层的输出大小为24x24x16，我不理解。由于第二层的每个过滤器将作用于第一层输出的每个特征映射，因此输出的大小不应该是24x24x128吗？ 基本上，我不明白一层的输出是如何馈送到另一层的输入的
-
该脚本可以在几分钟内在 CPU 上运行完。 结果示例: from __future__ import print_function import time import numpy as np from PIL import Image as pil_image from keras.preprocessing.image import save_img from keras import la
-
我正在构建一个卷积网络图像分类的目的，我的网络受到VGG conv网络的启发，但我更改了每层的层数和过滤器，因为我的图像数据集非常简单。 然而，我想知道为什么VGG中的Fitler数总是2:64的幂- 我猜这是因为每个池将输出大小除以2 x 2，因此需要将过滤器的数量乘以2。 但我仍然想知道，这一选择背后的真正原因是什么；这是为了优化吗？分配计算是否更容易？我应该在我的人际网络中保持这种逻辑吗。
-
我正在实现一个三维卷积神经网络，我有两个问题。 问题一 每个输入是一个大小为（201,10,4）的3D矩阵。我希望我的过滤器能够在第二和第三维度上移动，因为它们是完全连接的。第三个维度是特征维度。所以我不想看第二和第三维度的当地社区。因此，我的过滤器大小将是例如（3,10,4）的大小。所以过滤器大小等于第二和第三维度，但我们在第一维度中有权重共享。以下是我的卷积代码： 所以我应该在这里使用步幅，这