卷积层如何接受 6 个输入并给出 16 个输出？答案

【问题标题】：How Convolution Layer takes 6 input and gives 16 output?卷积层如何接受 6 个输入并给出 16 个输出？
【发布时间】：2020-02-22 13:22:07
【问题描述】：

我们正在尝试在 FPGA 上构建前向卷积神经网络。我们构建的配置基于 LeNet-5 架构。

在第一个卷积层，没有问题。只有 1 个输入（照片）并给出 6 个输出（6 个特征图）和 6 个（5*5）过滤器。

顺便说一下，我们在 spyder-tensorflow 等上训练了我们的网络和数据。

但是在第二个卷积层，有 6 个输入（它们是第一个最大池化层的输出）和 16 个输出，带有 16 个（5*5*6）滤波器。我们的研究助理对我们说：“你有 6 个输入和 (5*5) 个深度为 6 的滤波器。这意味着每个输入对应于滤波器的相邻滤波器深度。在卷积结束时，你可以将所有的乘法结果，因此 1 个过滤器只有 1 个输出。”

但是在哪个过程中我们将对乘法结果求和。

在 python/spyder/tensorflow 的 conv2d 函数中做一些事情，我们得到了结果。但在硬件方面，我必须知道这是如何进行的。

感谢您的帮助。对不起我的英语。

Here is the explanation with picture

【问题讨论】：

标签： tensorflow neural-network conv-neural-network cudnn

【解决方案1】：

花点时间看看这个：

http://cs231n.github.io/assets/conv-demo/index.html

我发现这个 gif 在详细了解如何计算和完成卷积时非常有用。希望这可以帮助您了解它是如何在“硬件”中进行的。

【讨论】：

谢谢。这意味着我必须为每个窗口获取卷积结果，然后对所有结果求和。在对求和结果添加偏差后，我们可以应用 relu 函数。再次感谢。