CNN中卷积核数和输出通道数的关系

卷积神经网络cnn中，卷积核大小一般取1、3、5…，其通道数是与输入通道数相等的，卷积核大小加上通道数成为一个卷积核$C_{in}*size*size$。卷积核数与输出通道数是相等的，且可以自定义，取决于自己的实验设置。
如果一个卷积核会有三个通道，每个卷积核对三个通道的图片卷积然后相加得到一个feature map(此时为一个二维矩阵)。

有一个动态图展示了其中的运算过程。原图出处

图中卷积核Fileter的个数与输出通道数Outout是对应的，每一个输出由多通道卷积累加并加上偏执Bias得到，一个卷积核只有一个偏执值。PyTorch框架对卷积运算Conv2d的描述亦是如此。

特地以PyTorch代码验证一下动图中的运算。关键函数conv2d()参见官方文档

import torch
import torch.nn.functional as F
import numpy

input = torch.FloatTensor([ [[[0, 1, 1, 2, 2], [0, 1, 1, 0, 0], [1, 1, 0, 1, 0], [1, 0, 1, 1, 1], [0, 2, 0, 1, 0]],
[[1, 1, 1, 2, 0], [0, 2, 1, 1, 2], [1, 2, 0, 0, 2], [0, 2, 1, 2, 1], [2, 0, 1, 2, 0]],
[[2, 0, 2, 0, 2], [0, 0, 1, 2, 1], [1, 0, 2, 2, 1], [2, 0, 2, 0, 0], [0, 0, 1, 1, 2]]] ])

weight = torch.FloatTensor([ [[[1, 1, -1], [-1, 0, 1], [-1, -1, 0]], [[-1, 0, -1], [0, 0, -1], [1, -1, 0]], [[0, 1, 0], [1, 0, 1], [0, -1, 1]]],
[[[-1, -1, 0], [-1, 1, 0], [-1, 1, 0]], [[1, -1, 0], [-1, 0, -1], [-1, 0, 0]], [[-1, 0, 1], [1, 0, 1], [0, -1, 0]]] ])

output = F.conv2d(input, weight=weight, bias=torch.FloatTensor([1,0]), padding=1, stride=2)
print(output)

输出结果：

tensor([[[[ 1.,  0., -3.],
          [-6.,  1.,  1.],
          [ 4., -3.,  1.]],

         [[-1., -6., -4.],
          [-2., -3., -4.],
          [-1., -3., -3.]]]])

之所以输入/输出为四维，因为PyTorch默认需要mini-batch，这里batch = 1。

来源：CSDN

作者：co2e

链接：https://blog.csdn.net/qq_32789231/article/details/103896996