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 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

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

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。