知识卡片
卷积输入输出的维度
在常见 NHWC 排列中,一批图像的形状是 [批量, 高, 宽, 输入通道];二维卷积的核可表示为 [核高, 核宽, 输入通道, 输出通道]。核的输入通道必须与输入匹配,核的输出通道数决定输出特征图的通道数;输出形状为 [批量, 输出高, 输出宽, 输出通道],空间大小还要根据步幅与填充计算。例如输入 [2,5,5,3]、核 [3,3,3,8],步幅 1 且不填充时输出 [2,3,3,8]。书中把卷积最终输出写成二维矩阵形状,这与示例的四维特征图不一致;API 的具体签名应按使用的版本核对。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 纸上谈兵终觉浅,绝知卷积要编程 13.2.1 TensorFlow中的卷积函数 · 查看原书依据
filter 的第三个参数in_channels就是参数input的第四个维度
参考来源
- 位置:《深度学习之美:AI时代的数据处理与最佳实践》第13章《纸上谈兵终觉浅,绝知卷积要编程》,13.2.1 TensorFlow中的卷积函数(book-source:extracted/深度学习之美:AI时代的数据处理与最佳实践/_epub-src/OEBPS/Text/chapter18_0002.xhtml#txt013_4)
- 结论依据:原文列出 NHWC 输入和卷积核四维形状;输出示例与第12章尺寸公式支持卡片中的计算,纠正正文二维输出表述。
- 原始内容:其形状和input一样,同样是4D维度,分别是[filter_height, filter_width,in_channels, out_channels]。