Caffe 为什么num_输出是卷积参数?
假设将输入图像传递到卷积层,如图所示: 网络如何在精确使用给定卷积核的大小和步长的同时,准确地给出我们想要的输出数量?内核大小和步幅是否已经决定了我们将获得的输出数量(模填充决策)Caffe 为什么num_输出是卷积参数?,caffe,conv-neural-network,Caffe,Conv Neural Network,假设将输入图像传递到卷积层,如图所示: 网络如何在精确使用给定卷积核的大小和步长的同时,准确地给出我们想要的输出数量?内核大小和步幅是否已经决定了我们将获得的输出数量(模填充决策) 如果我有一个5x5的图像,用一个3x3内核使用步长2进行卷积,并对边界进行零填充,那么我希望从卷积中得到一个3x3的输出。但是如果我请求num\u输出:5?或者num\u output:100?经过一些实验,看起来这个num\u output参数实际上决定了将内核与整个映像卷积多少次(至少在单通道映像的情况下)。因此
如果我有一个5x5的图像,用一个3x3内核使用步长2进行卷积,并对边界进行零填充,那么我希望从卷积中得到一个3x3的输出。但是如果我请求
num\u输出:5
?或者num\u output:100
?经过一些实验,看起来这个num\u output参数实际上决定了将内核与整个映像卷积多少次(至少在单通道映像的情况下)。因此,它实际上根本不与图像和过滤器的宽度和高度值交互。正如您正确观察到的,num\u output
确定了输出通道EAH的数量,当我第一次在文档中看到它时,我并不完全确定它的含义。有时候,没有什么可以代替你自己尝试和实验。
layer {
name: "conv1"
type: "Convolution"
bottom: "data"
.
.
.
convolution_param {
num_output: 96
kernel_size: 11
stride: 4
}
.
.
.
}