Machine learning CNN中以前的激活映射如何影响下一个激活映射
假设我有一个Machine learning CNN中以前的激活映射如何影响下一个激活映射,machine-learning,deep-learning,artificial-intelligence,conv-neural-network,Machine Learning,Deep Learning,Artificial Intelligence,Conv Neural Network,假设我有一个CNN,有2层。为了使用25x25像素的图片,第一层具有过滤器大小=50,内核大小=5x5,跨步=1x1填充0x0。并且第二层具有相同的参数,除了过滤器大小=100。现在我知道我的激活图来自第一层的通行证在维度上是21x21x3(×3是由于RGB).这意味着我有50的21x21x3激活图,通过在输入图片上应用50不同的过滤器创建 我的问题是关于第二次通过,因为我的过滤器大小=100这是否意味着第1层的50激活图通过第二层的100过滤器,每个过滤器都作为接收区如此在第二次通过时,我总共
CNN
,有2层。为了使用25x25像素的图片,第一层
具有过滤器大小
=50,内核大小
=5x5,跨步
=1x1填充
0x0。并且第二层
具有相同的参数,除了过滤器大小
=100。现在我知道我的激活图来自第一层的通行证在维度上是21x21x3(×3是由于RGB
).这意味着我有50的21x21x3激活图
,通过在输入图片上应用50不同的过滤器创建
我的问题是关于第二次通过,因为我的过滤器大小=100这是否意味着第1层的50
激活图
通过第二层的100
过滤器,每个过滤器都作为接收区如此在第二次通过时,我总共有100x50激活映射
,或者50激活映射
在通过前融合成一个单元,这样第二层
只产生100激活映射
仍然?你有一点问题这里有误解。它不会保留输入图像中的尺寸(在案例3中,因为是RGB),而是在所有尺寸上进行卷积。这意味着卷积运算符C
对于大小为5x5x3
的特定图像区域x
的输出将仅为单个值,而不是大小为1x3
的向量
激活映射(我喜欢称之为特征映射)然后简单地表示您有多少个不同的卷积滤波器,因此您可以得到同样多的“输出维度”。在您的示例中,输出将不是21x21x3
,而是21x21x50
对于下一层,您将类似地接受输入(我假设您使用的是相同的内核大小)5x5x50
,然后再次只生成一个值。这一次,您有100个输出堆栈,因此结果大小将是17x17x100
@dennlinger
,如果我正确理解您的话,因为我的图像是RGB,所以在第一次传递期间应用的50个过滤器的尺寸将分别为5x5x3,而不是5x5,以给出50x21x21而不是50x21x21x3,对于第二个过程,因为我们有50个特征映射,所以过滤器维度将是50x5x5,为100个特征映射中的每一个提供一个元素。因此,先前生成的特征映射的数量始终是下一个过程的过滤器维度的深度?准确地说。因此,第一层所有过滤器的总尺寸为5x5x3x50。