Fatal编程技术网
  • neural-network/
  • Neural network 我们如何计算卷积输出的深度？

Neural network 我们如何计算卷积输出的深度？

neural-network deep-learning artificial-intelligence

Neural network 我们如何计算卷积输出的深度？,neural-network,deep-learning,artificial-intelligence,conv-neural-network,convolution,Neural Network,Deep Learning,Artificial Intelligence,Conv Neural Network,Convolution,我们如何在Conv输出中获得特征图编号（深度H） 我认为H=D*过滤器的数量 H可自由选择。它不依赖于任何其他参数 每个H“特征映射”将由不同的KXD内核生成。这通常被描述为单个4D内核，形状为H x k x k x D 在原文中，它说了同样的话，但也许更清楚： 输入大小为nxnxd，并与H个内核进行卷积，每个内核的大小分别为kxkxd。输入与一个核的卷积产生一个输出特征，而与H核的卷积独立产生H特征 这个术语一开始可能会令人困惑，因为同一件事使用了多个术语。H可以称为内核数、过滤器数、输出特

我们如何在Conv输出中获得特征图编号（深度H）

我认为H=D*过滤器的数量

H可自由选择。它不依赖于任何其他参数

每个H“特征映射”将由不同的KXD内核生成。这通常被描述为单个4D内核，形状为H x k x k x D

在原文中，它说了同样的话，但也许更清楚：

输入大小为nxnxd，并与H个内核进行卷积，每个内核的大小分别为kxkxd。输入与一个核的卷积产生一个输出特征，而与H核的卷积独立产生H特征

这个术语一开始可能会令人困惑，因为同一件事使用了多个术语。H可以称为内核数、过滤器数、输出特性数或过滤器映射数。

谢谢@myrtlecat先生，所以他不能用D、K或DSee中的任何一个来描述：，第2章（从第3页开始）。特别是图2.2根据我对该图的阅读，H是过滤器的数量。你能公布这个数字的来源或周围的一些文字吗？@myrtlecat这是来源：根据源文件，我将坚持我的答案：H可以自由选择，不依赖于D、N或k。我将在下面用文本中的相关引用更新我的答案。