卷积神经网络（二）

今天继续学习卷积神经网络的基础知识。

7.2.5 三维数据的卷积运算

卷积网络能够处理具有长宽高三个维度形状的数据，之前的例子都是只有长高两个维度的数据。图像是3维数据，除了高、长方向之外，还需要处理通道方向。这里，我们按 照与之前相同的顺序，看一下对加上了通道方向的3维数据进行卷积运算的例子。

图7-8是卷积运算的例子，图7-9是计算顺序。这里以3通道的数据为例， 展示了卷积运算的结果。和2维数据时（图7-3的例子）相比，可以发现纵深 方向（通道方向）上特征图增加了。通道方向上有多个特征图时，会按通道 进行输入数据和滤波器的卷积运算，并将结果相加，从而得到输出。

计算过程如下：

需要注意的是，在3维数据的卷积运算中，输入数据和滤波器的通道数 要设为相同的值。在这个例子中，输入数据和滤波器的通道数一致，均为3。 滤波器大小可以设定为任意值（不过，每个通道的滤波器大小要全部相同）。 这个例子中滤波器大小为(3,3)，但也可以设定为(2,2)、(1,1)、(5,5)等任 意值。再强调一下，通道数只能设定为和输入数据的通道数相同的值（本例 中为3）。通道数如果不同，则无法完成相应的相乘。

7.2.6 结合方块思考

将数据和滤波器结合长方体的方块来考虑，3维数据的卷积运算会很 容易理解。方块是如图7-10所示的3维长方体。把3维数据表示为多维数组 时，书写顺序为（channel, height, width）。比如，通道数为C、高度为H、 长度为W的数据的形状可以写成（C,H,W）。滤波器也一样，要按（channel, height, width）的顺序书写。比如，通道数为C、滤波器高度为FH（Filter Height）、长度为FW（Filter Width）时，可以写成（C,FH,FW）。

在这个例子中，数据输出是1张特征图。所谓1张特征图，换句话说， 就是通道数为1的特征图。那么，如果要在通道方向上也拥有多个卷积运算的输出，该怎么做呢？为此，就需要用到多个滤波器（权重）。用图表示的话， 如图7-11所示。

图7-11中，通过应用FN个滤波器，输出特征图也生成了FN个。如果 将这FN个特征图汇集在一起，就得到了形状为(FN,OH,OW)的方块。将 这个方块传给下一层，就是CNN的处理流。

如图7-11所示，关于卷积运算的滤波器，也必须考虑滤波器的数量。因此，作为4维数据，滤波器的权重数据要按(output_channel,input_ channel, height, width)的顺序书写。比如，通道数为3、大小为5×5的滤 波器有20个时，可以写成(20,3,5,5)。