如何解释这个 CNN 架构

Question

这种 CNN 架构如何从输入层到第一个卷积层工作？ hx98是输入矩阵维度，n是通道数还是输入数？

n 似乎不是通道数，因为 25 是特征图的数量，并且它们的尺寸并不表示它们是两个通道。

但是，如果 n 是输入的数量并且矩阵是单通道的，那么我在任何地方都没有找到一个单一的 CNN 架构，它可以接受多个输入矩阵并将它们卷积在一起。大多数示例将它们单独卷积，然后连接。

在我的示例中，n 为 2，一个是具有 BER 值的矩阵，另一个是具有连接线速率值的矩阵。

我犯了什么错误？这个 CNN 是如何工作的。

Answer 1

• 在 CNN 中，具有高度和宽度的图像像素乘以 卷积层的核权重，并相加以创建一个 特征图。
• 内核将通过所有通道 图像（RGB 3 通道，GreyScale 1 通道）基于 卷积层中定义的步幅。
• 卷积后，图像尺寸缩小。
• 要获得与输入维度相同的输出维度，您需要添加填充。填充包括添加 矩阵每一侧的正确行数和列数。为了 详情请参考这里 documentation。 谢谢。