卷积:
输入3通道,2个卷积核:
对于每个卷积核,先在输入3个通道分别作卷积,再将3个通道结果加起来得到卷积输出。所以对于某个卷积层,无论输入图像有多少个通道,输出图像通道数总是等于卷积核数量!
对多通道图像做1x1卷积,其实就是将输入图像于每个通道乘以卷积系数后加在一起,即相当于把原图像中本来各个独立的通道“联通”在了一起。
1.卷积&池化后feature map大小
输入尺寸:,输出尺寸: ,卷积核大小:,卷积核个数(即输出通道数):N,移动步长:S,填充数P
输出的大小如下:
2.参数量计算
Conv Layer参数数量:总参数数量为所有weights和bias的总和。maxpooling层只有超参数
=卷积层的weights数量,=卷积层的biases数量,=所有参数的数量,K=核尺寸,N=核数量,C =输入通道数
卷积层中,核的深度等于输入图像的通道数。于是每个核有K*K个参数。并且有N个核.由此得出以下的公式:
3.感受野计算
是第k-1层感受野的大小,是当前层卷积核大小,是第i层步长。第k层感受野:
https://zhuanlan.zhihu.com/p/35708466
4.卷积操作的计算量
标准卷积核大小为,输入通道M,输出通道N,输出feature map大小为。
标准卷积计算量:
深度可分离卷积减小的计算量: