关于卷积神经网络中如何计算卷积核大小（kernels）

本文主要是介绍关于卷积神经网络中如何计算卷积核大小（kernels），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

        首先需要说明的一点是，虽然卷积层得名于卷积（ convolution ）运算，但我们通常在卷积层中使用更加直观的计算方式，叫做互相关（ cross-correlation ）运算。 也就是说，其实我们现在在这里提到的卷积运算，不是数学意义上的卷积运算，而是说在深度学习领域，大家通常将数学中的的互相关运算称之为卷积运算，这一点首先需要作出明确地声明。

计算卷积

我们可以将卷积运算分成三部分，如下图：

其中：

• 输入可以是训练数据，也可以是上层网络的输出；
• 卷积核是整个卷积网络的主要参数部分；
• 输出就是计算的结果。

详解：

在卷积运算中，卷积核从输入的最左上方开始，按从左往右、从上往下的顺序，依次与输入进行计算。 计算方式为： 输入数组的子数组元素与卷积核中元素对应相乘，并求和，得出输出数组对应位置中的结果。 例如图中37就是由淡黄色数组中的[14​25​]与卷积核中的[13​24​]对应相乘得到的，即： 37=1∗1+2∗2+4∗3+5∗4 之后将卷积核向右滑动，继而开始让下一个数组[25​36​]与卷积核进行同样的计算，之后是[47​58​]以及[58​69​]，可以列出计算式： 47=2∗1+3∗2+5∗3+6∗4 67=4∗1+5∗2+7∗3+8∗4 77=5∗1+6∗2+8∗3+9∗4 

这篇关于关于卷积神经网络中如何计算卷积核大小（kernels）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---