1樓：小心心
Fig.1影象卷積過程gif
關於這個問題，可能剛接觸卷積神經網路對這個都會有很多誤解。今天就來大體一說，根據從網友
笑可結緣https://
那裡得到的圖（侵刪）
一般我們的影象在輸入的時候是有通道的，例如黑白影象是單通道的（input_channel=1），rgb是3通道的（如Fig.1所示，input_channel=3）。Fig.
1中，輸入影象寬為7，高為7，又是rgb3通道，所以其大小為，而卷積核的通道數也應該與input_channel一致為3，而大小的話一般是奇數，例如 等等，加上通道數，我們以Fig.1為例，它用的就是 的卷積核，即三通道的 的卷積核。
也就是說input_channel=filte_channel。
而output_channel=filte_number。有幾個卷積核，輸出就是幾通道。Fig.1有2個卷積核，所以輸出通道是2。
2樓：不像樣
為什麼不去找本書了解一下卷積層的計算呢？
在卷積層的計算中，假設輸入是H x W x C, C是輸入的深度(即通道數)，那麼卷積核(濾波器)的通道數需要和輸入的通道數相同，所以也為C，假設卷積核的大小為K x K，乙個卷積核就為K x K x C，計算時卷積核的對應通道應用於輸入的對應通道，這樣乙個卷積核應用於輸入就得到輸出的乙個通道。假設有P個K x K x C的卷積核，這樣每個卷積核應用於輸入都會得到乙個通道，所以輸出有P個通道。
卷積神經網路中卷積核的翻轉 全連線層的處理和反向傳播的詳細過程？
軒轅十四 1.前向傳播和反向傳播都不用。按計算圖走就是了。所謂的翻轉180 應該是指matlab程式設計需要。2.關於你說送入全連線層時要不要展成列向量？要根據你的資料結構的決定，如果你的全連線層的輸入資料結構是向量，那就要展成向量 3.第三個問題，我理解你的意思是梯度流動沒搞明白。所以反向傳播過程...
什麼是卷積神經網路？
弗拉基公尺爾 神經網路可以理解為多元線性回歸。卷積神經網路可以理解為矩陣形式的多元線性回歸。不知道這樣理解對不對。那就這樣說應該不會有錯 卷積是乙個提取特徵的函式. 憤怒的葡萄 不請自來 首先artificial NNs的目的就是他們能夠被用作乙個任意函式逼近的方式，CNN也是一樣。CNN就是在原有...
卷積神經網路和BP神經網路的關係？
乙個維度的BP神經網路就相當於CNN中的全連線了，無非是多幾個全連線，CNN是二維，二維如果搞成全連線就導致運算量巨大，所以有了權重共享，大大減少了運算量，CNN卷積的思想肯定也源於BP神經網路就，在影象上做二維卷積的CNN發出炫目的光芒下，BP神經網路就已經快被人們遺忘了，但是不管CNN再怎麼發展...