machine-learning - CNN 中先前的激活图如何影响下一个激活图

Question

假设我有一个具有 2 层的CNN。要使用 25x25 RGB 像素的图片，第一层 的 filter-size = 50，内核大小 = 5x5，步幅 = 1x1 填充 = 0x0 。 第二层具有相同的参数，除了filter-size = 100。现在我知道我的第一层 channel 中的激活图的尺寸是21x21x3(×3是由于到 RGB)。这意味着我通过应用 50< 创建了 21x21x3 的 50 激活图/strong> 输入图片上的不同过滤器。

我的问题是针对第二遍，因为我的filter-size = 100 这是否意味着50> 来自第 1 层 的激活图 通过第二层 的100 过滤器 > 每个作为接受域，以便在第二遍时我总共有100x50 激活图或者是50 激活图在传递之前融合成一个单元，使得第二层仅产生100 激活 map 还在吗？

Answer 1

您在这里有一个轻微的误解。它不会保留输入图像的尺寸(在您的情况下为 3，因为 RGB)，而是对所有图像进行卷积。这意味着对于大小为 5x5x3 的特定图像区域 x 的卷积运算符 C 的输出将只是一个值，而不是大小为的向量1x3。

激活图(我喜欢称之为特征图)然后简单地暗示你有多少个不同的卷积过滤器，因此你可以得到尽可能多的“输出维度”。在您的示例中，输出不是 21x21x3，而是 21x21x50。
对于下一层，您将类似地采用(我假设您使用相同的内核大小)5x5x50 的输入，并再次仅生成一个值。这次，您有 100 个输出堆栈，因此结果大小将为 17x17x100。