Neural network 实施CNN——但图表是俄语的

所以通过谷歌翻译我发现

• ббб表示输入
• Сбб表示层
• Саааааа是指卷积（本 必须是过滤器的数量吗？）
• ааΓ表示步幅（必须是跨步？）
• ббббббббббббббб

现在我的问题是，一个 尺寸为22x256的图像结果为6x256，带有5个过滤器？ 我在6x256中发现的过滤器大小（内核）是[17,1]，带有1个过滤器。从第1层到第1层，内核大小为[1,8]，步幅为[1,8]，这是我发现可行的。但这和这张图上的任何东西都不一样

在论文中，他们写了一篇关于1和2之间的层的文章

“第二层允许及时降低信号的维数，产生超过16个值的信号加权平均值”

这是一个清楚的解释，说明了输入的大小如何随各层的进行而变化

在输入中，您给出的尺寸为28宽28高和1深。对于第1层中的过滤器，过滤器的深度维度必须等于输入的深度。因此，筛选器的维度将为5x5x1，应用一个筛选器，维度将减少（由于步幅），以生成14x14x1维度的激活映射，因此应用32个此类筛选器将为您提供32个激活映射。结合所有这些14x14x32是层1的输出和第二层的输入。同样，在第二层中，您需要在该层上应用尺寸为5（宽度）x5（高度）x32（深度）的过滤器，以生成一个14x14x1的激活贴图，将所有64个激活贴图叠加，从而将第二层的输出尺寸设置为14x14x64，依此类推

在你发布的图中，它的表示形式看起来非常不同。检查您语言中的标准输入。

这是一个清楚的解释，说明了输入的大小如何随层之间的进行而变化

在输入中，您给出的尺寸为28宽28高和1深。对于第1层中的过滤器，过滤器的深度维度必须等于输入的深度。因此，筛选器的维度将为5x5x1，应用一个筛选器，维度将减少（由于步幅），以生成14x14x1维度的激活映射，因此应用32个此类筛选器将为您提供32个激活映射。结合所有这些14x14x32是层1的输出和第二层的输入。同样，在第二层中，您需要在该层上应用尺寸为5（宽度）x5（高度）x32（深度）的过滤器，以生成一个14x14x1的激活贴图，将所有64个激活贴图叠加，从而将第二层的输出尺寸设置为14x14x64，依此类推

在你发布的图中，它的表示形式看起来非常不同。检查您语言中的标准版本。

我问作者： 他们告诉我他们使用了一维CNN。 这意味着第一个数字是深度，第二个数字是宽度：

深度@宽度。

我问作者： 他们告诉我他们使用了一维CNN。 这意味着第一个数字是深度，第二个数字是宽度：

---

深度@宽度。

您可以查看执行卷积运算时输出大小如何变化的说明您可以查看执行卷积运算时输出大小如何变化的说明谢谢您的回答！但是，我知道输入尺寸是一个大小为22x256x1的图像，所以不是28x28x1。原稿中也有这样的说法。我已经阅读了整篇文章，但仍然无法解释“卷积5”如何将22x256x1大小的图像转换为6x256x1大小。“卷积5”可能暗示内核大小或使用的过滤器数量？图表中的任何内容都与您提供的翻译不匹配。检查一些有标准的东西。我同意这种说法。我已经联系了论文的作者……：）谢谢你的回答！但是，我知道输入尺寸是一个大小为22x256x1的图像，所以不是28x28x1。原稿中也有这样的说法。我已经阅读了整篇文章，但仍然无法解释“卷积5”如何将22x256x1大小的图像转换为6x256x1大小。“卷积5”可能暗示内核大小或使用的过滤器数量？图表中的任何内容都与您提供的翻译不匹配。检查一些有标准的东西。我同意这种说法。我已经联系了论文的作者……：）