Math 卡在CNN矩阵大小的计算中
在我的CNN二进制分类体系结构中，我有2个卷积层、2个maxpooling层、2个batchnormalization操作、1个RELu和1个fullyconnected层 Case1：当通道数Math 卡在CNN矩阵大小的计算中,math,deep-learning,classification,conv-neural-network,Math,Deep Learning,Classification,Conv Neural Network,在我的CNN二进制分类体系结构中，我有2个卷积层、2个maxpooling层、2个batchnormalization操作、1个RELu和1个fullyconnected层 Case1：当通道数d=1：在第一层中，输入大小[28*28*d]，d=1通道与M\u 1=20应用于所有输入通道的滤波器数（f_h x f\u w x d）=[3x 3x1创建大小为{（h-f_h+1）x（w-f_w+1）x d x M_1}=（28-3+1）x（28-3+1）x1x20=[25x25x20] 第二个卷积层
d=1[28*28*d]d=1M\u 1=20（f_h x f\u w x d）=[3x 3x1创建大小为{（h-f_h+1）x（w-f_w+1）x d x M_1}
=（28-3+1）x（28-3+1）x1x20=[25x25x20]
第二个卷积层包含两倍数量的相同大小的过滤器=40。因此，作为第二卷积层的输出，参数的数量变为[23*23*1*40]
。因此，参数总数=[25x25x20]+[23*23*40]
情况2：当d=2
和所有其他尺寸相同时。过滤器大小变为[3 x 3 x 2]
。第一个卷积层的输出将包含：（28-3+1）x（28-3+1）x2x20=[25x25x40]
对于第二个卷积层，输出将包含[23 x 23 x 2 x 40]
参数
问题）我对上述每种情况的计算是否正确？全连接层的输入是什么？在卷积层中，滤波器中的通道数保持等于输入的通道数。此外，滤波器中通道的数量不会影响输出的大小。输出的大小由以下公式给出：
height = (input_height - filter_height + 1) (Assuming no padding and stride = 1)
width = (input_width - filter_width + 1)
channels = no. of filters
关于你的问题：
案例1（d=1）：
转换层#1
上述输出将成为第二个卷积层的输入，这将导致：
转换层#2
案例2（d=2）：
在这种情况下，两个conv层的输出也将与上述相同，因为输出不依赖于通道的数量
转换层#1
转换层#2
希望这有帮助 有几个错误。第一个是微不足道的，它与第一层的输出大小有关，因为它应该是26x26x20
而不是25x25x20
，因为如果内核大小为3
，而不加填充，则会使每个边缘仅丢失一个像素
推理中更重要的问题发生在计算第二个卷积层的参数数量时。普通的卷积要求你也要考虑深度：假设你有一个卷积层，有<代码> M< /代码>输出特征图<代码> fy1，…，fym 和大小<代码> H*W*d的输入。我们还假设卷积核是空间维度的k*k
。然后，任何输出映射中的像素x
，例如，f_j
，将是大小h*w*d
的输入和大小k*k*d
的内核之间的3d
卷积的结果。因此，卷积层具有k*k*d*m
参数。这意味着在您的情况下：
input of layer: 26x26x20
number of filters in layer: 40
number of parameters: 26x26x20x40
关于你对d=2
的推理也可以这样说：第二次卷积将有20x40
输出映射，而不是2x40
非常感谢你的回答。我有两个问题，你能澄清一下吗？（1）你能同时提到参数的数量吗？（2） 此外，拥有maxpooling层是否会影响这些数字？我已经读到maxpooling降低了维度，在我的例子中，在每个conv.层之后有2个maxpooling层。每个MaxPool的大小为3，步幅为2。如果你能解释这两点，我将不胜感激。谢谢你回答问题的另一部分——参数的数量。有点不清楚，你能详细说明这两个案例的每个步骤吗？另外，maxpooling会影响这些数字吗？我有两个maxpooling层。在我的例子中，每个maxpooling的大小为3，跨步为2。@Sm1 maxpooling本身没有任何参数。如果将其放置在卷积层之间，将减少第二次卷积中必要参数的数量。我认为对你来说，理解所有这些的最好方法是通过你正在使用的深度学习框架（例如，某种类型的parameters（）函数）找到参数的数量。请注意，大多数框架在卷积中默认情况下都会假定有偏差，因此您可能有一个额外的参数。
Input : 26 x 26 x 20, Filter : 3 x 3 x 20, #filters : 40 (You mentioned size of filter as 3x3x1, but it should be 3x3x20 since the no. of filter channels = no. of input channel)
Output for this layer : (26-3+1) x (26-3+1) x #filters = 24 x 24 x 40
Input : 28 x 28 x 2, Filter : 3 x 3 x 2, #filters : 20
So your output becomes (28-3+1) x (28-3+1) X #filters = 26 x 26 x 20
Input : 26 x 26 x 20, Filter : 3 x 3 x 20, #filters : 40
Output for this layer : (26-3+1) x (26-3+1) x #filters = 24 x 24 x 40
input of layer: 26x26x20
number of filters in layer: 40
number of parameters: 26x26x20x40