CNN的具体卷积过程

最新推荐文章于 2025-09-06 00:41:22 发布

原创

最新推荐文章于 2025-09-06 00:41:22 发布 · 3.5k 阅读

收录于

本文详细解析了二维卷积的过程，输入通道数为3，图像大小7*7，卷积核大小3*3，每个卷积核与输入图像对应位置元素相乘求和，再加bias得到输出值。同时介绍了如何用二维卷积实现一维卷积，通过3*32的二维卷积等价于一维卷积。并提供了实战例子，例如在处理Ubuntu数据的CNN模型中，TimeDistributed(Conv1D)层参数计算，具体展示了卷积核参数数量的计算方法。

参考地址:https://blog.csdn.net/caicaiatnbu/article/details/72792684?locationNum=7&fps=1
由上面的博客可以得出,二维卷积过程就是:比如输入通道数为3，每个图像的大小为7*7,那么当卷积核的数目为2个的时候，卷积核的大小为3*3时。

具体的卷积过程就是用一个3*3大小的卷积核分别和这3个通道的7*7图像做对位相乘，然后把这三个数相加(如果有bias，再加上bias)，然后得到最终输出中的一个数。

一维卷积参考地址:https://blog.csdn.net/momaojia/article/details/65641430

相同的一维卷积其实也是用二维卷积实现的(点金之笔:一维卷积是在相邻帧之间提取信息)，所以图上面的博客把长度为3的卷积核来进行一维卷积时，他说等价于用3*32的二维卷积进行卷积运算(32是输入10*32中的32，表示的是10个32维向量，也就是说脑海中的一个长度为3的卷积核是竖着往前走的，所以可以等价为一个二维卷积过程3*32对其进行卷积，也要注意其中参数数量的计算方式)。

实战例子:
这里写图片描述
这个是处理ubuntu数据中的一个cnn模型中的参数数量，这一层的输入是(None,10,20,200),用一个TimeDistributed(Conv1D(filters_num = 200, flite