卷积神经网络中的特征映射数
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=1014个神经元，（5x5 1）x6=156个权重，1014x26=26364个连接。
我们如何从图像上的卷积中得到六（6）个特征图？我想我们只得到一个特征图。还是我错了？
共有2个答案
通过在同一图像上使用六个不同的内核进行卷积，可以得到六个特征映射。
我正在研究卷积神经网络。
在同一图像上卷积六个不同的内核（或过滤器）以生成六个特征图。
层#0：具有29x29像素的输入图像因此具有29*29=841个神经元（输入神经元）
第1层：卷积层使用6个不同的内核（或过滤器），大小为5x5像素，步长为2（使用内核或过滤器卷积输入时的偏移量），这些内核（或过滤器）与输入图像（29x29）卷积，生成6个不同的特征图（13x13），因此13x13x6=1014个神经元。
过滤器大小5x5和偏差（用于权重校正）因此（5x5）1个神经元，我们有6个内核（或过滤器），给出6*[（5x5）1]=156个神经元。
在卷积过程中，我们将内核（或过滤器）移动26次（13水平移动13垂直移动），最后1014*26=26364个连接从层0移动到层1。
你应该阅读Y LeCun、L Bottou、Y Bengio的这篇研究论文：基于梯度的学习应用于文档识别第二节，以了解卷积神经网络（我建议阅读全文）。
另一个你可以在这里找到CNN的详细解释和python实现的地方。如果你有时间，我建议你去这个网站了解更多关于深度学习的细节。
谢谢你。
-
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。
-
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？
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络
-
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？
-
我正在做一个在Zynq Soc上映射训练好的CNN的项目。我用张量流训练了一个Lenet，提取了权重和偏差。据我观察，权重的值都接近0，几乎没有一个大于1。但是lenet的输入数据是灰度图像，像素值从0到255。 当我尝试在输入图像和核（训练权重）之间进行二维卷积时，由于卷积结果都接近于0，所以输出特征映射都是黑色图像。甚至还考虑了Relu层。但如下图所示，根据亮度，内核和功能映射中的权重值应在0