卷积神经网络理解及1*1卷积核的作用

一. 单通道图像的卷积计算过程

• 1. 下面各图中所有数学符号的说明如下：
  • n:图片的宽度和高度
  • n_c:表示图片的通道数
  • f: 过滤器的尺寸大小
  • m: 过滤器的数量
  • Q: 卷积运算后的输出图像的尺寸大小
  • p：所要填充的像素值，padding=0称为Valid Convolution;为了得到与原始输入图像相同尺寸的输出图像而加入的padding，称为Same Convolution
  • s:卷积步长stride
  • []:表示卷积运算后的结果是向下取整运算，如93.6经过[93.6]运算后是93

  • Q的计算公式如下:

    
    卷积后的尺寸大小.png

• 1. 基本计算原理

     
     基本计算原理.png

• 2.动态过程

  
  动态过程.gif
• 3. 多通道图像的卷积计算过程

  • 3.1 单个卷积核/过滤器(filters)的3D卷积运算

    
    单个过滤器.png

  • 3.2 多个卷积核/过滤器(filters)的3D卷积运算

    
    多个过滤器1.png
    多个过滤器2.png
• 4. 上述卷积过程关系总结
  • 输入图片的通道数目n_c等于卷积核/过滤器的通道数
  • 卷积后得到图片的通道数n_c等于卷积过程中使用的卷积核/过滤器个数
  • 卷积后的输出图片尺寸大小根据上面的公式计算出Q

二、1*1卷积核的作用

• 1. 单通道图片上使用1*1的卷积核

     
     单通道图片上使用1*1卷积核.png
  • 只会在原来的输入图片的像素上乘以一个系数，没有什么直接的效果

• 2. 多通道图片上使用1*1的卷积核

     
     多通道图片上使用1*1卷积核.png
• 输入是6*6*32的图片，经过1*1*32的卷积核进行卷积运算后，得到的输出图片是6*6*卷积过程中使用的卷积核个数。这样就将输入图片的通道数32改变了，相当于给输入图片进行降维或升维操作。注：输出图片的尺寸，还是根据最开始的公式计算，即Q值的大小。

三、参考博客

卷积神经网络基本计算原理
1*1卷积层的理解