这两者有什么区别?更通俗地讲解一下卷积神经网络的相关概念将有助于回答该问题。
另外,作为一个附注,什么是通道?换句话说,请为我分解以下三个术语:通道、过滤器和卷积核。
这两者有什么区别?更通俗地讲解一下卷积神经网络的相关概念将有助于回答该问题。
另外,作为一个附注,什么是通道?换句话说,请为我分解以下三个术语:通道、过滤器和卷积核。
64、128、256、512
等,这相当于卷积层输出的通道数。另一方面,kernel_size
是这些卷积过滤器的大小。在实践中,它们取值如 3x3
或 1x1
或 5x5
。为了简写,它们可以写为 1
或 3
或 5
,因为在实践中它们大多是正方形。
编辑
以下引用应该更加清晰。
假设输入 X
的大小为 W x H x D x N
(其中 N
是批次大小),输入到网络中包含大小为 FW x FH x FD x K
的过滤器 F
的卷积层中。
特征通道数 D
在此处是输入 X
的第三维(例如,如果输入由彩色图像组成,则通常在网络的第一个输入处为 3)。
K
是 F
的第四个维度。两个概念密切相关,因为如果一层中的过滤器数量为K
,则会产生具有K个特征通道的输出。因此,下一层的输入将具有K
个特征通道。
FW x FH
是您正在寻找的过滤器大小。
补充说明:
你应该熟悉滤波器。你可以认为每个滤镜负责从原始图像中提取某种类型的特征。CNN尝试学习这样的过滤器,即在CNN训练期间对CNN进行参数化的过滤器是可学习的。您可以将每个滤波器应用于Conv2D中的每个输入通道,并组合这些通道以获得输出通道。因此,过滤器数量和输出通道数量相同。