Machine learning 在CNN中实现多路数据的反向卷积_Machine Learning_Neural Network_Deep Learning_Correlation_Convolution

Machine learning 在CNN中实现多路数据的反向卷积

machine-learning neural-network deep-learning

Machine learning 在CNN中实现多路数据的反向卷积,machine-learning,neural-network,deep-learning,correlation,convolution,Machine Learning,Neural Network,Deep Learning,Correlation,Convolution,在实现卷积神经网络的过程中，我一直在试图对卷积运算有更深入的理解。但我在试图计算反向通过或反褶积时被卡住了假设输入是三维RGB图像，尺寸3x7x7过滤器具有尺寸3x3x3。当步幅设置为2时，我们将获得维度3x3的输出现在我的问题来了。我读过，反褶积是输出与翻转内核的卷积。但是在翻转内核时，它仍然是维度3x3x3，并且输出是维度3x3，这就是。输入的尺寸3x7x7。那么，反褶积是如何计算的呢？是一个很好的可视化，它展示了卷积和反褶积（转置卷积）是如何计算的。白色部分只是零。是卷积和反卷积（转置

在实现卷积神经网络的过程中，我一直在试图对卷积运算有更深入的理解。但我在试图计算反向通过或反褶积时被卡住了

假设输入是三维RGB图像，尺寸

3x7x7

过滤器具有尺寸

3x3x3

。当步幅设置为2时，我们将获得维度

3x3

的输出

现在我的问题来了。我读过，反褶积是输出与翻转内核的卷积。但是在翻转内核时，它仍然是维度

3x3x3

，并且输出是维度

3x3

，这就是。输入的尺寸

3x7x7

。那么，反褶积是如何计算的呢？

是一个很好的可视化，它展示了卷积和反褶积（转置卷积）是如何计算的。白色部分只是零。

是卷积和反卷积（转置卷积）的一个很好的可视化。白色部分只是零。

这篇文章很好，但我仍然不理解三维数据的反褶积是如何工作的，因为卷积的结果是二维的，但滤波器本身是三维的。彩色图像有3个通道，红色、绿色和蓝色。因此，7x7x3图像意味着它的3个单独的7x7贴图，它们记录了每个RGB颜色的强度。这篇文章很好，但我仍然不理解三维数据的反褶积是如何工作的，因为卷积的结果是二维的，而过滤器本身是三维的。彩色图像有3个通道，红色、绿色和蓝色。因此，一张7x7x3图像意味着它的3张单独的7x7贴图记录了每种RGB颜色的强度。你说的是2D还是3D卷积？你所说的

3x3x3

filter shape是什么意思？@maxim我说的是三维卷积，这就是为什么滤波器是3D@Maxim我相信他指的是2D彩色图像，3是3通道，你是说2D还是3D卷积？你所说的

3x3x3

filter shape是什么意思？@maxim我说的是三维卷积，这就是为什么滤波器是3D@Maxim我相信他指的是2D彩色图像，3是3个通道