基本概念的理解
原图片有几个通道，卷积核就有几个通道
例如原图有3个通道分别为x1,x2,x3矩阵，卷积核也有对应的3个通道分别为w1,w2,w3
x1*w1得到一个数，x2*w2得到一个数,x3*w3得到一个数，三个数之和为原图通过这个卷积核卷积后得到的一个feature map 矩阵中的一个元素，按此类推，卷积核在原图上滑动就会得到这个feature map的其他元素。
所以，不管原图有几个通道，一个卷积核对原图卷积后，都会得到一个二维的feature map.
多个卷积核对原图卷积就会得到多个feature map，这些feature map 重叠在一起后就又变成了一个立体，深度就是前面卷积核的个数。
效果见链接：图片的通道数和卷积核的深度
上面的原理可以用下面的数学公式实现：
每张图片x不管有几个通道，都转换为一个列向量（图片是个矩阵，按行取），如果有多个通道，按通道排列下去，例如rgb图按red,green,blue排列。
卷积核也是转换成一个列向量（卷积核是个矩阵，按行取）
卷积核转置（下图为转置例子）即变成一个行向量
卷积可以用下面公式表示，W为卷积核的列向量，x为被卷积区域对应的列向量，这儿没有通道的概念，因为有多个通道是按通道排下去的，例如卷积核大小为3*3，如果图片为rgb图片，那么x为3*3*3=27个元素的列向量，w是27个元素的行向量
疑问？原图是根据卷积核大小转换为列向量的？只把被卷积的部分变成列向量？否则和上面的原理对不上了？
同一个卷积核对多张图片进行卷积，然后再换卷积核？
同一个卷积核对一张图片卷积后得到一个数，对多张图组成的矩阵卷积后得到一个行向量
全连接层是上一层卷积池化后的结果是多少，就用相同大小深度的图片进行卷积，然后得到1个数，全连接层的输出结果为多少个数，就需要多少个这种卷积核。例如：上一层的结果是5*5大小20层，全连接层需要输出100个数，那需要100个5*5*20的卷积核，也就是100*20张5*5的矩阵。
因为是全连接，所以就没说卷积核的情况，默认就是和上一层图片相同大小的卷积核。
网友评论