概念學習：卷積核/過濾器、特征圖（featue map）、卷積層

作為基礎學習，建議先看一看電子版的：

[美] Michael Nielsen著，Xiaohu Zhu/Freeman Zhang譯：《神經?絡與深度學習》（Neural Networks and Deep Learning）

這本書深入淺出，把神經網絡的基本原理講得比較清楚。

?

人們把feature map翻譯成特征圖，把channel翻譯為通道。有時這二者說的是同一件事；但有時強調輸入輸出時就叫通道，強調圖片經過神經網絡運算后發現的特征就叫特征圖。在下文的說明過程中，我們不做顯著的區分，同學們可以理解為上一層輸出的feature maps就是下一層輸入的channels。

?

（1）卷積核/過濾器

卷積核也稱為過濾器（filter）。

每個卷積核具有長、寬、深三個維度。

卷積核的長、寬都是人為指定的，長X寬也被稱為卷積核的尺寸，常用的尺寸為3X3，5X5等。

在指定卷積核時，只需指定其長和寬兩個參數，這是因為通常卷積核的深度（也可以理解為通道數）與當前圖像的深度（feather map的個數，比如：RGB三個通道就是三個feature map）相同。

卷積過程中，輸入層有多少個通道（輸入的feature map個數），濾波器就要有多少個通道（卷積核的深度）；但是濾波器的數量是任意的，濾波器的數量決定了卷積后輸出的通道數（即：輸出的feature map 個數）。

在許多常用的體系結構中，隨著計算所使用的網絡越來越深，所使用的過濾器數量也越來越大（例如，第二個為64，第三個為128，依此類推）。

?

（2）feature map

輸入層：在輸入層，如果是灰度圖片，那就只有一個feature map（一個通道）；如果是彩色圖片，一般就是3個feature map（紅綠藍三個通道）。

其它層：層與層之間會有若干個卷積核（kernel）（也稱為過濾器），上一層的feature map（通道）跟每個卷積核做卷積，都會產生下一層的一個feature map；有N個卷積核，下層就會產生N個feather map（即：N個輸出通道）。

?

（3）卷積層

許多卷積架構是從一個外部卷積單元開始的，它將信道RGB的輸入圖像映射到一系列內部過濾器中。在深度學習框架中，這個代碼可能如下所示：

?

out_1=Conv2d(input=image, filter=32, kernel_size=(3,3), strides=(1,1))

relu_out=relu(out_1)

pool_out=MaxPool(relu_out, kernel_size=(2,2), strides=2)

?

對一個輸入圖片，這里使用了32個的過濾器，每個過濾器尺寸為3X3，步長為1。

下面這張圖，可以用來顯示上述代碼片段中所有的操作：

?

上圖中，32個過濾器中的每個過濾器（即：Filter-1、Filter-2……）實際上包含一組3個二維內核（Wt-R、Wt-G和WT-B，即：深度為3）。這些二維內核中的每一個分別保存為輸入圖片中的紅（R）、綠（G）和藍（B）信道。

在正向傳播期間，輸入圖片中的R、G和B像素值分別與Wt-R、Wt-G和Wt-B內核相乘以產生一個間歇激活映射（intermittent activation map）（圖中未標出）。然后將三個核的輸出相加，這樣就為每個過濾器產生一個激活映射（Activation），一共是32個。

隨后，這些激活映射中的每一個都要受到ReLu函數的支配，最后運行到最大池化層（也有不使用最大池化層的），而后者主要負責減少輸出激活映射的維度（可以理解為減小了長X寬的大小，注意這里所使用的步長為2）。最后，我們得到的是一組32個激活映射，其維數是輸入圖片的一半（即：得到的32個feature map，每個feature map的尺寸只有輸入圖片的一半）。

來自卷積層的輸出經常用作后續卷積層的輸入。因此，如果我們的第二個卷積單元如下：

?

conv_out_2 = Conv2d（input = relu_out，filters = 64）

?

在這個卷積單元中有64個過濾器，每個過濾器使用一組32個獨特的內核（每個內核對應前面卷積層輸出的一個feature map的信道，32個feature map就需要32個內核，即：深度為32）。

參數比較簡單的Conv2d()卷積函數的計算過程可以參考：

https://blog.csdn.net/weixin_41943311/article/details/94570067

?

（4）Batch Normalization

Normalization是數據標準化（歸一化，規范化），Batch 可以理解為批量，加起來就是批量標準化。

總結

以上是生活随笔為你收集整理的2020-12-09 深度学习 卷积核/过滤器、特征图（featue map）、卷积层的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。