两个卷积层之间的互连

Question

我对CNN中两个卷积层之间的互连有疑问。例如，假设我有这样的架构：

输入：28 x 28

conv1：3 x 3过滤器，没有。过滤器：16

conv2：3 x 3过滤器，没有。过滤器：32

在conv1之后，假设图像的尺寸没有减小，我们得到的输出为16 x 28 x 28。所以我们有16个功能图。在下一层中，如果我们将每个特征图（28 x 28）视为神经元，则每个特征图连接到下一层意味着每个神经元将连接到所有32个过滤器意味着总数 （3 x 3 x 16）x 32参数。这两层是如何堆叠或互连的？在人工神经网络的情况下，我们在两层之间具有权重。 CNN中还有这样的东西吗？如何将一个卷积层的输出馈送到下一个卷积层？

Answer 1

在n要素图之后带有k×k大小为f的过滤器的卷积层的参数数量

n ⋅ (f ⋅ k ⋅ k + 1)

+1来自偏见。

因此，每个f过滤器的形状k×k×1不是形状k×k×f。

  

如何将一个卷积层的输出馈送到下一个卷积层？

就像输入被送到第一个卷积层一样。没有区别（功能图的数量除外）。

一个输入要素图上的卷积

图片来源：https://github.com/vdumoulin/conv_arithmetic

另请参阅：another animation

多输入要素图

它的工作原理相同：

• 滤镜的深度与输入相同。在它是1之前，现在它更多。
• 您仍然可以将滤镜滑过所有（x，y）位置。对于每个位置，它给出一个输出。

你的例子

• 第一转换层：160 = 16 *（3 * 3 + 1）
• 第二转换层：4640 = 32 *（16 * 3 * 3 + 1）