为什么卷积神经网络中的 3 个通道在卷积到 3 个通道时过滤器只产生 1 个通道答案

【问题标题】：Why in convolutional neural network 3 channels when con-vol into 3 channels filter produce only 1 channel为什么卷积神经网络中的 3 个通道在卷积到 3 个通道时过滤器只产生 1 个通道
【发布时间】：2018-05-16 22:26:18
【问题描述】：

我想了解为什么当使用 3*3*3 滤波器进行卷积时，具有 3 个通道（如 6*6*3）的图像仅产生 4*4 而不是 4*4*3

【问题讨论】：

标签： python neural-network computer-vision deep-learning conv-neural-network

【解决方案1】：

当您应用卷积时，它会将内核权重的输出与输入值相乘。在这种情况下，您没有对输入进行任何类型的填充，这意味着您只输出完全定义的值。如果您将输入的维度设为 (x,y,z)，那么您可以看到内核在 x 和 y 维度上更小，但在 z 维度上相等。这意味着您可以在 x 和 y 方向上滑动内核，为每个位置产生一个输出，但在 z 方向上它无处可滑动，因此它只产生一个输出（这是所有通道的总和）。

【讨论】：

【解决方案2】：

一种方法是想想你可以从 6 x 6 x 3 矩形棱镜中切割和抓取多少个 3 x 3 x 3 立方体。

另外，让我们让问题更简单。

假设您有 2 x 2 的输入图像补丁，并且您想要进行 2 x 2 卷积。有多少种方法可以将 2 x 2 卷积拟合到输入图像块 = 1 x 1（x 方向 1，y 方向 1）

让我们扩展它：4 x 2 输入图像和 2 x 2 转换。唯一卷积数 = 3 x 1（x 方向 3，y 方向 1 等）

让我们扩展它：4 x 4 输入图像和 2 x 2 转换。唯一卷积数 = 3 x 3

让我们扩展它：4 x 4 x 2 输入图像和 2 x 2 x 2 转换。唯一卷积数 = 3 x 3 x 1

让我们扩展它：6 x 6 x 3 输入图像和 3 x 3 x 3 转换。唯一卷积数 = 4 x 4 x 1

【讨论】：