在本文中，我们将讨论卷积层中的两个重要概念。

· 如何计算参数的数量?

· 产出的形状是如何计算的?

input_shape

Input_shape = (batch_size, height, width, depth)Batch_size =一次向前/向后传递的训练数据数

output_shape

Output_shape = (batch_size, height, width, depth)

过滤器/核

在卷积神经网络中，输入数据与卷积核进行卷积，卷积核用于提取特征。卷积核是一个矩阵，它将移动到图像像素数据(输入)上，并将执行与输入数据的特定区域的点积，输出将是点积的矩阵。

示例1

输入:

filter= 1kernel_size = (3)input_shape =(10、10、1)

让我们计算Conv2D中的参数数量和输出形状。

如何计算卷积层中的参数个数?

权重：(3,3)= 3*3 =9的卷积核

偏置： 1[每个卷积核将添加一个偏置。由于只使用了一个卷积核，偏置=1*1]

一个大小为(3,3)的滤波器核的总参数= 9+1 =10

如何计算输出形状?

S→stride, p→padding, n→input size, f→filter size

默认Stride =1，没有提到填充(所以，p=0)

输出形状= n-f+1 = 10-3 +1 =8

在使用卷积滤波器对输入图像应用卷积后，输出将是一个特征映射。特征图中的通道数量取决于所使用卷积核的数量。在这个示例中，只使用了一个卷积核。因此，特征图中的通道数为1。

因此，特征图的Output_shape = (8,8,1)

model1=keras.models.Sequential()model1.add(Conv2D(filters=1,kernel_size=3,input_shape=(10,10,1),activation='relu'))model1.summary(）

示例2

输入:

· filters = 5

· kernel_size=(3,3)

· input_shape=(10,10,1)

如何计算卷积层中的参数个数?

权重：(3,3)= 3 * 3 =9的卷积核

偏置：1

总参数= 9+1 =10

过滤器的总数= 5

卷积核的总参数= 10 * 5=50

如何计算输出形状?

n = 10, f = 3 s = 1, p = 0

默认Stride =1，没有提到填充(所以，p=0)

输出形状= n-f+1 = 10-3 +1 =8

在使用卷积滤波器对输入图像应用卷积后，输出将是一个特征映射。特征图中的通道数量取决于所使用的过滤器的数量。在这个例子中，使用了5个过滤器。因此，特征图中的通道数为5。

因此，特征图的Output_shape = (8,8,5)

model2=keras.models.Sequential()model2.add(Conv2D(filters=5,kernel_size=3,input_shape=(10,10,1),activation='relu'))model2.summary()

示例3

输入:

· filter = 5

· kernel_size = (3)

· input_shape = (10 10 3)

如何计算卷积层中的参数个数?

权重：(3,3)= 3*3 =9的卷积核

卷积核将同时卷积所有三个通道(input_image depth=3)。所以一个卷积核的参数是3 * 3 * 3=27[卷积核大小 * 通道数]

偏置： 1

[每个卷积核加一个偏置]

对于深度3，一个大小为(3,3)的卷积核的总参数=(3 * 3 * 3)+1=28

卷积核的总数= 5。

卷积核的总参数：5个大小为(3,3)，input_image depth(3)= 28*5=140

如何计算输出形状?

n = 10, f = 3 s = 1, p = 0

默认Stride =1，没有提到填充(所以，p=0)

输出形状= n-f+1 = 10-3 +1 =8

在使用卷积核对输入图像应用卷积后，输出将是一个特征映射。特征图中的通道数量取决于所使用的过滤器的数量。在这个例子中，使用了5个卷积核。因此，特征图中的通道数为5。

因此，特征图的Output_shape = (8,8,5)

model3=keras.models.Sequential()model3.add(Conv2D(filters=5,kernel_size=3,input_shape=(10,10,3),activation='relu'))model3.summary()

作者：Indhumathy Chelliah