1樓：Crimson Sky
我覺得可以從這個角度來理解，因為深度增加，downsample的次數也增加了，這樣會丟失很多資訊. 為了彌補這些損失，我們就需要增加channel的數量，以達到捕捉更多資訊的效果.
換個角度的話，由於深層特徵圖尺寸小，增加channel數量對視訊記憶體和計算速度的影響沒那麼大，所以就在這些地方擴大channel量
2樓：
你可以看一下我的這個回答
卷積神經網路中卷積核是如何學習到特徵的？
然後，你說的沒錯，原始影象的特徵資訊是最完整的，但是為啥還要卷積呢？因為原始影象比如1024乘768的影象，你算一下多少個畫素點，如果作為輸入，下一層（隱含層）有10的5次方個神經元的話，你算算有多少個引數，但是如果用卷積核來卷積，即便用了100多個卷積核去提取特徵，引數比起我剛才說的原始影象減少非常非常多，這就是我們需要CNN的原因。還有就是既然卷積了，換句話就是縮小了影象，那為了保證影象精度最大程度上不丟失，就需要多個卷積核，這樣就可以保證在降維的同時不失真。
然後CNN的層數越多，越深，理論上整個網路中的引數也就越多，學習到原始影象的特徵也就越全面。
3樓：Stephen
有，那是因為通過pooling 或 conv strides=2 下取樣了以後，輸出的長寬變小了，為了防止特徵資訊丟失，輸出通道數要加倍。卷積層的作用本來就是把輸入中的特徵分離出來變成新的 feature map，每乙個輸出通道就是乙個卷積操作提取出來的一種特徵，輸出通道數越多就代表提取出的特徵就越多（但也可能存在重複的特徵）。
如果特徵影象被縮小了一半，又不增加通道數就很有可能會丟失特徵資訊。所以並不是每一層都比前一層通道數加倍，一般只有在pooling將採用的時候加倍，希望採納！
卷積神經網路中，那個卷積輸出層的通道數 深度 的計算？
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 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，inpu...
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...
卷積神經網路（CNN）和迴圈神經網路 RNN 有什麼區別？
不存在的1990 從字面區分 cnn 裡面的 c指 convolutional operation，是一種提取影象特徵方法。把這一operation加入到layer裡面構成了convolutional layer。rnn裡的r 指recurrent，中文是重複的意思。rnn構造的結構也是recurr...