卷积基础
Convolution Basics
我的怀疑很基本。
假设我们有一个 3 通道图像和一个 2*2 的过滤器，我们有 6 个这样的过滤器。
1. 我们用一个过滤器在图像上滑动以计算每个空间位置的点积。我的疑问是：-
当一个过滤器与输入图像进行点积时。它的点积是为整个 3 个通道计算的，对吗？
当我们得到激活图时。是所有三个通道的点积结果对应的图还是每个通道单独的激活图？
如果2 x 2 滤波器在 3 通道图像上运行，则每个滤波器的形状将为 2 x 2 x 3。因此，当一个滤波器与图像进行卷积时，滤波器将与 3 通道图像 element-wise 相乘，然后进行跨通道求和。所以你的第一个问题的答案是肯定的。
关于激活图，卷积的输出将有 6 个通道，因为有 6 个过滤器。所以每个通道都对应上面提到的所有三个通道的点积结果。
阅读 CS231n 以更好地理解这些概念。
我的怀疑很基本。 假设我们有一个 3 通道图像和一个 2*2 的过滤器，我们有 6 个这样的过滤器。 1. 我们用一个过滤器在图像上滑动以计算每个空间位置的点积。我的疑问是：-
当一个过滤器与输入图像进行点积时。它的点积是为整个 3 个通道计算的，对吗？
当我们得到激活图时。是所有三个通道的点积结果对应的图还是每个通道单独的激活图？
如果2 x 2 滤波器在 3 通道图像上运行，则每个滤波器的形状将为 2 x 2 x 3。因此，当一个滤波器与图像进行卷积时，滤波器将与 3 通道图像 element-wise 相乘，然后进行跨通道求和。所以你的第一个问题的答案是肯定的。
关于激活图，卷积的输出将有 6 个通道，因为有 6 个过滤器。所以每个通道都对应上面提到的所有三个通道的点积结果。
阅读 CS231n 以更好地理解这些概念。