Deep learning 两个卷积层之间的互连

我有一个关于CNN中两个卷积层之间互连的问题。例如，假设我有这样的体系结构：

输入：28 x 28

conv1:3 x 3过滤器，过滤器数量：16

conv2:3 x 3过滤器，过滤器数量：32

conv1之后，假设图像的尺寸并没有减小，我们得到的输出为16×28×28。所以我们有16个特征图。在下一层中，每个特征映射连接到下一层，意味着如果我们将每个特征映射（28×28）视为神经元，那么每个神经元将连接到所有32个滤波器，意味着全部。

---

（3 x 3 x 16）x 32参数。这两层是如何堆叠或互连的？在人工神经网络的情况下，我们有两层之间的权重。CNN也有类似的节目吗？如何将一个卷积层的输出馈送到下一个卷积层？

卷积层的参数数量为

n

滤波器的大小

k×k

，位于

f

特征映射之后

n ⋅ (f ⋅ k ⋅ k + 1)

其中

+1

来自偏差

因此，每个

f

过滤器不是形状

k×k×1

，而是形状

k×k×f

如何将一个卷积层的输出馈送到下一个卷积层

就像输入被馈送到第一个卷积层一样。没有区别（除了要素地图的数量）

单输入特征映射的卷积

图像来源：

另见：

多输入特征映射 它的工作原理是一样的：

• 过滤器与输入具有相同的深度。以前是1，现在更多了
• 您仍然可以在所有（x，y）位置上滑动过滤器。对于每个位置，它提供一个输出

你的榜样

• 第一转换层：160=16*（3*3+1）
• 第二转换层：4640=32*（16*3*3+1）

---

在

f

特征映射之后，具有

n

大小

k×k

的滤波器的卷积层的参数数量为

n ⋅ (f ⋅ k ⋅ k + 1)

其中

+1

来自偏差

因此，每个

f

过滤器不是形状

k×k×1

，而是形状

k×k×f

如何将一个卷积层的输出馈送到下一个卷积层

就像输入被馈送到第一个卷积层一样。没有区别（除了要素地图的数量）

单输入特征映射的卷积

图像来源：

另见：

多输入特征映射 它的工作原理是一样的：

• 过滤器与输入具有相同的深度。以前是1，现在更多了
• 您仍然可以在所有（x，y）位置上滑动过滤器。对于每个位置，它提供一个输出

你的榜样

• 第一转换层：160=16*（3*3+1）
• 第二转换层：4640=32*（16*3*3+1）

---

实际上，第一个卷积层只有一个输入图像。在第一个卷积层之后，我们输出了16幅图像（特征图），对吗？那么，第二个卷积层将如何输入这16幅图像？第二个卷积层将如何输入这16幅图像并输出32幅图像（特征图）？因此，第二个卷积层中的每个滤波器都有16个输入？这就是卷积滤波器如何与一个输入特征映射一起工作：-如果有多个输入特征映射，则滤波器只获得一个深度维度。没有大的变化。另请参见：实际上第一个卷积层只有一个输入图像。在第一个卷积层之后，我们输出了16幅图像（特征图），对吗？那么，第二个卷积层将如何输入这16幅图像？第二个卷积层将如何输入这16幅图像并输出32幅图像（特征图）？因此，第二个卷积层中的每个滤波器都有16个输入？这就是卷积滤波器如何与一个输入特征映射一起工作：-如果有多个输入特征映射，则滤波器只获得一个深度维度。没有大的变化。另请参见：