多滤波器卷积层的输出形状
我在keras建立了一个ConvNet，这是其中的两层
model.add(Conv2D(8 , 3 , input_shape = (28,28,1)))
model.add(Activation(act))
model.add(Conv2D(16 , 3))
model.add(Activation(act))
第一层大小26x26x8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26x26x8
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
共有2个答案
如果有人花时间真正写出数学，我会很喜欢的。但我猜没人知道实际操作是什么。“适用于所有频道”的模棱两可的语言与OP的想法是一样的。上面的一位评论员用这种语言表示，他们在所有频道中汇总。不清楚。
我的问题和OP一样。我找到了答案。在Keras中，Conv2D层的卷积操作创建了一个与输入具有相同最终维度的过滤器。
假设您有一个形状（6,6,3）的输入X，一个大小为6×6的张量在3个通道（颜色或其他）中。然后创建一个2D卷积层
conv = Conv2D(2, 3, input_shape=(6, 6, 3))
将创建2个大小为（3、3、3）、f1和f2的过滤器。然后将每个过滤器以正确的方式应用于输入将看起来像f1ijk xijk，其中i和j在位置的所有相关索引上求和，而k（颜色通道）在所有值上求和，即此处的1、2和3。这为每个过滤器生成大小（4、4、1）的输出。两个过滤器一起生成大小（4、4、2）的输出。
如果我们假设，就像OP似乎所做的那样，3通道张量的每个过滤器都只有形状（3,3,1），那么您会困惑于如何处理它对3维张量的应用，这可能会导致关心实际操作的人认为过滤器将作为张量积应用，从而从层中创建更高维度的输出。
不，这是体积的卷积。每个滤波器适用于所有通道。
-
我在Keras建立了一个卷积神经网络。 根据CS231讲座，卷积操作为每个过滤器创建一个特征映射（即激活映射），然后将其堆叠在一起。在我的例子中，卷积层有一个300维的输入。因此，我预计会进行以下计算： 每个过滤器的窗口大小为5。因此，每个滤波器产生300-5 1=296个卷积 但是，实际输出形状看起来不同： 偏移值的形状很有意义，因为每个过滤器都有一个偏移值。然而，我不了解重量的形状。显然，第一
-
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
-
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×
-
假设我们有一个5x5大小的图像和一个3x3大小的内核，带有跨步2和填充。通过神经网络中的卷积层后，输出图像的大小是多少。