深入理解神经网络中的卷积

🌞欢迎来到机器学习的世界 
🌈博客主页：卿云阁

💌欢迎关注🎉点赞👍收藏⭐️留言📝

🌟本文由卿云阁原创！

🌠本阶段属于练气阶段，希望各位仙友顺利完成突破

📆首发时间：🌹2021年8月22日🌹

✉️希望可以和大家一起完成进阶之路！

🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

---

总结：

卷积后得到的特征图的通道数和卷积核的个数有关。

卷积后得到的特征图寸和卷积核的大小、步长和填充有关。

手写数字识别-基于卷积神经网络_卿云阁的博客-CSDN博客

 计算机中彩色图片的表示？

以最常用的rgb图片为例，其在计算机中是以一个三维数组的形式存储的，其大小可以表示为32*32*3，其中32*32表示像素，3代表通道数。

  卷积究竟是一个怎样的过程？

       假设我们的输入是7*7*3的图像，其中3表示R G B 3个颜色通道，W0和W1表示两个3*3*3大小的卷积核，分别与原始图像进行卷积操作，得到两个特征图。

 三维的表示：

卷积核的通道数要和原始的图像相同

只做一次卷积就可以了吗？

    假设我们原始输入图像的大小是32*32*3，经过6个5*5*3的卷积核得到28*28*6大小的特征图，然后再经过10个5*5*6大小的卷积核得到24*24*10大小的特征图。 

卷积过程中涉及到的参数： 

卷积结果的计算：

深度可分离卷积：

常规卷积操作：

假设我们原始输入图像的大小是5*5*3，经过4个3*3*3的卷积核得到4个3*3大小的特征图，也可以说得到了3*3*4大小的特征图。

 逐通道卷积：

假设我们原始输入图像的大小是5*5*3，经过3个3*3的卷积核得到3个3*3大小的特征图，也可以说得到了3*3*3大小的特征图。

逐点卷积：

假设我们原始输入图像的大小是5*5*3

卷积核的尺寸为 1×1×3，3为上一层的通道数。

假设有4个卷积核

最后得到了4张特征图