卷积神经网络每一层输出的形状、通道数、特征图数量以及过滤器数量的理解与计算。-Toy模板网

这篇具有很好参考价值的文章主要介绍了卷积神经网络每一层输出的形状、通道数、特征图数量以及过滤器数量的理解与计算。。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

参考：

http://t.csdn.cn/8ApfD

‘http://t.csdn.cn/ZmEOJ

核心观点：

前一层的通道数（特征图数量），决定这一层过滤器的深度；

这一层过滤器的数量，决定这一层输出的通道数（特征图数量）

神经网络每一层输出矩阵的形状一般是4个维度[y1, y2, y3, y4]

y1 通常是batch_size,就是每一圈丢几张图片进去训练

y2 y3 通常是图片的长宽

y4 就是图片的通道数

一过滤器与卷积核的区别

二通道数与特征图数

三神经网络的输出矩阵形状变化

一过滤器与卷积核的区别

首先我们需要理解过滤器与卷积核的区别.

卷积核是一个二维的概念（2，2）就是一个2×2的卷积核。

过滤器是一个三维的概念 3×2×2 ，就是3个2×2的卷积核集和成一个三维的过滤器，卷积核的数量就是过滤器的深度。

二通道数与特征图数

上面说到，过滤器是几个卷积核的集和，那么到底是几个卷积核呢？

这一层过滤器的深度，由前一层的通道数（特征图数量决定）。

通道数＝特征图数量，不要误认为前一层图像是3通道的然后这一层输出的特征图也是3通道的。

比如，第一层输入为RGB3通道，则是3张特征图（每个通道的像素都组成一张特征图）。则第二层的过滤器的深度为3，每个卷积核与对应特征图卷积，得到一张新的特征图。卷积过程如下：

卷积神经网络每一层输出的形状、通道数、特征图数量以及过滤器数量的理解与计算。

图片来源于：http://t.csdn.cn/8ApfD ，博主写的很好，大家可以去看看

也就是1个过滤器由3个卷积核组成，输出1个新的特征图。

前一层的通道数（特征图数量），决定这一层过滤器的深度；
这一层过滤器的数量，决定这一层输出的通道数（特征图数量）

三神经网络的输出矩阵形状变化

以下面的7层卷积神经网络进行讲解，输入为mnist的手写数据集，图片为28×28的灰度图片。也就是形状为（28， 28， 1）

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(64, (3, 3), activation = 'relu',
                           input_shape=(28, 28, 1)), # 输出64张特征图
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'), #卷积核为3维， 3×3×64，然后共有64个这样的三维卷积核
    tf.keras.layers.MaxPooling2D(2, 2), #在全连接网络上增加了这样四层
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

卷积神经网络每一层输出的形状、通道数、特征图数量以及过滤器数量的理解与计算。