卷积网络的输入通道数
我正在关注TensorFlow的“专家深度列表”教程：https://www.tensorflow.org/tutorials/mnist/pros/
第二卷积层具有形状【5、5、32、64】；也就是说，它有32个输入，而第一个卷积层有1个输入（该输入是我了解原始图像的灰度值）。
第二个卷积层有32个输入通道意味着什么？这是否意味着在第二层中学习的64个过滤器将全部应用（移位）到每像素具有32个点的“虚拟”图像（该“虚拟”图像由在第一步中学习的每个过滤器已应用到的原始图像组成）？如果我之前所说的是正确的，那么如何将2D 5x5过滤器应用于每个像素具有32个点/值的图像？
共有1个答案
第一卷积层具有以下权重：
W_conv1 = weight_variable([5, 5, 1, 32])
这里，5x5是补丁大小，1是输入通道数，32是输出通道数。因此，在第一次卷积之后，输出有32个通道，因此第二个卷积层的权重矩阵的形状有32个输入通道。
-
我对卷积神经网络中的多通道场景感到困惑。 有人能帮帮我。
-
然而，我不明白如何扩展这个模型来处理多个通道。每个特征图是否需要三个独立的权重集，并在每种颜色之间共享？ 参考本教程的“共享权重”部分：http://deeplearning.net/tutorial/lenet.html特征图中的每个神经元都引用层m-1，颜色是从单独的神经元引用的。我不明白他们在这里表达的关系。神经元是核还是像素？为什么它们引用图像的不同部分？ 根据我的例子，一个神经元内核似乎
-
我正在尝试创建一个CNN来对数据进行分类。我的数据是X[N\u数据，N\u特征]我想创建一个能够对其进行分类的神经网络。我的问题是关于keras后端Conv1D的输入形状。 我想在上面重复一个过滤器。。假设有10个特征，然后为接下来的10个特征保持相同的权重。对于每个数据，我的卷积层将创建N\U特征/10个新神经元。我该怎么做？我应该在input\u形状中放置什么？ 有什么建议吗？非常感谢。
-
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
-
我在使用Keras和Python对3D形状进行分类时遇到了一个问题。我有一个文件夹，里面有一些JSON格式的模型。我将这些模型读入Numpy数组。模型是25*25*25，表示体素化模型的占用网格（每个位置表示位置（i、j、k）中的体素是否有点），因此我只有1个输入通道，就像2D图像中的灰度图像一样。我拥有的代码如下： 在此之后，我得到以下错误 使用TensorFlow后端。回溯（最后一次调用）：文
-
我正在开发一种卷积神经网络用于图像分类或更好的车牌分类。这些车牌最多包含8个字符，每个字符可以包含37个字符（A-Z、0-9和空格）。我现在想知道如何设计网络中的最后两层。我认为，最后一个必须是具有37个概率的softmax层。这应该完全连接到一个（？）神经元在前一层？我想，在前一层我们需要8个神经元，因为之前的车牌上有8个字符，但我不确定。在此层之前，我添加了一些卷积层和maxPooling层。