在 CNN，我怎么能决定不。输入图像和第一个隐藏层之间的特征映射等等？

Posted 2023-02-16

【中文标题】在 CNN，我怎么能决定不。输入图像和第一个隐藏层之间的特征映射等等？

【英文标题】：In CNN, How can I decide no. of feature map between input image and first hidden layer and so on?

【发布时间】：2016-05-11 04:59:20

【问题描述】：

我有 MxN rgb 图像。所以这里没有。颜色通道数将为 3(r,g,b)。现在我想构建一个 CNN 模型。所以没有神经元输入神经元将是 MxN。让我们有 nxn 感受野。所以第一个隐藏层中的神经元不会是 (M-n+1)x(M-n+1)。所以我的问题是：

我怎样才能决定不。输入图像和第一个隐藏层之间的特征映射等等？ 特征图如何与特征通道连接？它们在特征通道和颜色通道之间有什么关系吗？

我是 CNN 的新人。接受任何类型的回复。

【参考方案1】：

答案 1： 任意层中的特征图数量是一个可以调优的参数。通过这些参数的不同值（特征图的数量），模型最终将学习不同类型的较低和较高级别的特征。确定特征图数量的最佳方法是尝试不同的值并检查准确性（或将其可视化）。

答案2：一般来说，前一层的特征图（比如，L1 个特征图）被认为是一张 L1 通道图像，并与一个有效的内核（也是 L1 通道内核）进行卷积并获得下一层的单个特征图。如果你想在下一层有 L2 数量的特征图，你基本上必须有 L2 数量的不同内核（那些 L1 通道内核）。这适用于所有卷积层。

希望对你有帮助！

【讨论】：

你能告诉我什么是特征通道以及它是如何选择的吗？让在原始图像中我们有卷积后的特征通道 1，我们如何增加特征通道的数量？请确认

如果你有 1 通道图像作为输入，你只需要有 L1 个不同的内核就可以在下一层获得 L1 个特征图。如需清晰的可视化，请参阅：parse.ele.tue.nl/cluster/2/CNNArchitecture.jpg

谢谢。我明白了，但还是有点怀疑。在您推荐的图片中（parse.ele.tue.nl/cluster/2/CNNArchitecture.jpg）。输入大小为 32x32，卷积（5x5）之后，特征图大小为 28x28，我理解它很好。问题是我们如何计算内核/特征图的数量。你L1和L2的概念我不清楚。这些是变量吗？

是的，这些都是变量。我在回答中说过，它们是您可以调整的参数。