输入和转换的大小
在CS231n关于卷积神经网络的课程中，在ConvNet中注：
>
INPUT[32x32x3]将保存图像的原始像素值，在这种情况下是宽32、高32和具有三个颜色通道R、G、B的图像。
CONV层将计算连接到输入中局部区域的神经元的输出，每个神经元在其权重和输入卷中连接到的小区域之间计算一个点积。如果我们决定使用12个过滤器，这可能会导致体积，例如[32x32x12]。
从文档中，我了解到INPUT将包含32（宽）x 32（高）x 3深度的图像。但后来在Conv层的结果中，如果我们决定使用12个过滤器，则为[32x32x12]。图像深度的3在哪里？
请帮帮我，提前谢谢你。
共有2个答案
所以，这很有趣。我再次阅读了文档，找到了答案，答案是“向下滚动”。例如，之前我认为过滤器是32 x 32（无深度）。事实是：
ConvNet第一层上的典型过滤器可能具有5x5x3的大小（即5像素的宽度和高度，以及3，因为图像具有深度3，即颜色通道）。
在正向传递期间，我们在输入体积的宽度和高度上滑动（更准确地说，卷积）每个过滤器，并计算过滤器条目和任何位置的输入之间的点积。
它将“分布”到每个特征映射（使用过滤器卷积后的结果）。
在考虑12个滤波器之前，只要想一个，那就是你正在应用带有[filter_width*filter_height*input_channel_number]滤波器的卷积，并且由于你的input_channel_number与滤波器通道相同，所以你基本上在每个输入通道上独立应用二维卷积的input_channel_number，然后将它们相加在一起，结果就是一个2D特征图。
现在，您可以重复此操作12次，以获得12个要素地图，并将它们堆叠在一起，以获得您的[32 x 32 x 12]要素体积。这就是为什么您的过滤器大小是一个4D向量，带有[过滤器\u宽度*过滤器\u高度*输入\u通道\u编号*输出\u通道\u编号]，在您的情况下，这应该类似于[3x3x3x12]（请注意，不同框架之间的顺序可能不同，但操作是相同的）
-
有人能帮我定义jolt规范，把输入json转换成输出json吗..我在一个文件中输入了json，像{"filename":"test1 "，" value":"10"} {"filename":"test2 "，" value":"10"}。转换后的输出json应该如下所示:{"filename":"test "，" overallvalue":"20 "，" filename":[{"filen
-
我将python 3用于anaconda，将keras用于over tensorflow，我的目标是创建一个具有可变输入大小的Conv层的网络 我在这里找到了使用此代码的 我已经用它用这段代码创建了我自己的模型（我需要一个扁平层） 我一直在犯这个错误 ValueError：“展平”输入的形状没有完全定义（get（None，None，1）。确保将完整的“input\u shape”或“batch\u
-
我有以下输入json： 输出JSON应如下所示： 任何人都可以就如何为上述内容构建适当的 Bump 规范提供任何指导吗？ 非常感谢您的帮助 ^_^
-
问题内容： 我被分配编写一个程序，该程序读取一系列整数输入并打印-输入的最小和最大-以及偶数和奇数输入的数量 我想出了第一部分，但对如何使程序显示最大和最小感到困惑。到目前为止，这是我的代码。我怎样才能显示最小的输入呢？ 问题答案： 最简单的解决方案是使用诸如和
-
我想用JOLT规范做JSON到JSON的转换。我有一个输入，它是Flattern JSOn，我想把它隐藏到嵌套JSOn中。我已经为此编写了JOLT规范，下面提到了它。但它并没有给出我所期望的输出。 提前感谢....
-
当建立索引时，Sphinx从指定的数据源获得文本文档，将文本分成词的集合，再对每个词做大小写转换，于是“Abc”，“ABC”和“abc”都被当作同一个词（word，或者更学究一点，词项term） 为了正确完成上述工作，Sphinx需要知道： 源文本是什么编码的; 那些字符是字母，哪些不是; 哪些字符需要被转换，以及被转换成什么. 这些都可以用charset_type和charset_table选项