我试图理解卷积神经网络的卷积部分。看下图：
我理解第一个卷积层没有问题，我们有 4 个不同的内核（大小为），我们与输入图像进行卷积以获得 4 个特征图。
我不明白的是下一个卷积层，我们从 4 个特征映射到 6 个特征映射。我假设我们在这一层有 6 个内核（因此给出 6 个输出特征图），但是这些内核如何在 C1 中显示的 4 个特征图上工作？内核是 3 维的，还是 2 维的并在 4 个输入特征图中复制？
内核如何应用于特征图以生成其他特征图？
机器算法验证
机器学习
神经网络
深度学习
卷积神经网络
2022-02-05 10:40:48
4个回答
内核是 3 维的，可以选择宽度和高度，而深度通常等于输入层中的地图数量。
它们当然不是二维的，而是在相同的二维位置跨输入特征图复制！这意味着内核将无法区分给定位置的输入特征，因为它会在输入特征映射中使用相同的权重！
层和内核之间不一定存在一一对应的关系。这取决于特定的架构。您发布的图表明，在 S2 层中，您有 6 个特征图，每个都结合了前一层的所有特征图，即特征的不同可能组合。
没有更多参考资料，我不能说更多。例如见这篇论文
Yann LeCun 的“应用于文档识别的基于梯度的学习”的表 1 和第 2a 节很好地解释了这一点：http: //yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf 并非 5x5 卷积的所有区域都是用于生成第二个卷积层。
这篇文章可能会有所帮助：Tim Dettmers从 3 月 26 日开始了解深度学习中的卷积
它并没有真正回答这个问题，因为它只解释了第一个卷积层，但很好地解释了关于 CNN 中卷积的基本直觉。它还描述了卷积的更深层次的数学定义。我认为这与问题主题有关。
其它你可能感兴趣的问题