如何理解 CNN 的卷积层的输出深度是使用的卷积滤波器的个数？答案

【问题标题】：How to understand the CNN's convolutional layer's output depth is the number of convolution filter used ?如何理解 CNN 的卷积层的输出深度是使用的卷积滤波器的个数？
【发布时间】：2018-01-12 19:53:35
【问题描述】：

假设我对 conv 层的输入是 256 x 256 x 64，我使用了 32 个 3 x 3 的过滤器，为什么输出深度是 32 而不是 64？深度轴上的卷积是如何进行的？

【问题讨论】：

cs231n.github.io/convolutional-networks

标签： deep-learning convolution

【解决方案1】：

对于 CNN，每个过滤器都由其长度和宽度 (3 x 3) 定义。沿深度轴的连通性始终等于输入的深度。

以您为例：

您有 32 个过滤器，每个过滤器的大小为 (3x3)。因此，每个过滤器中的神经元将查看输入的 (3x3x64) 块，并且每个过滤器层中的神经元数量（没有零填充和步幅 = 1）将为 (256-3)。
所以， Neuron1 在每一层，即Layer1，Layer2，......，Layer32 查看输入的 (3x3x64) 的同一块。它使卷积层的输出大小为 (253x253x32)。
这就是滤波器数量决定 CNN 深度的方式。
为了更清楚地了解我在这里讨论的内容，您可以参考 @987654321 @。这可以更直观、更数学地解释 CNN。

【讨论】：

【解决方案2】：

输出深度取决于当前卷积层中的过滤器数量。

当您定义过滤器时，您提供空间维度（X，Y），过滤器的最后一个维度基于输入通道。

由于在卷积中，每个滤波器 (3, 3, z) 与输入 (Xin,Yin,z) 卷积（简单来说就是元素虎钳乘法）产生 (Xout,Yout,1) 维输出。每个过滤器产生单层输出，这就是为什么输出深度等于该卷积层中的过滤器数量。

注意：如果您对层的输出大小感兴趣，则可以使用计算，这张幻灯片解释了卷积的工作原理。

X_out=(Xin+2Pad-kernal)/步幅

您可能想观看李飞飞教授讲座的video。这是她完整的Deep learning course。

【讨论】：