卷积神经网络（CNN）之一维卷积、二维卷积、三维卷积详解

    <div id="post_detail">

卷积神经网络（CNN）之一维卷积、二维卷积、三维卷积详解

作者：szx_spark
由于计算机视觉的大红大紫，二维卷积的用处范围最广。因此本文首先介绍二维卷积，之后再介绍一维卷积与三维卷积的具体流程，并描述其各自的具体应用。

1. 二维卷积

图中的输入的数据维度为 $14 \times 14$ ，过滤器大小为 $5 \times 5$ ，二者做卷积，输出的数据维度为 $10 \times 10$ （ $14 - 5 + 1 = 10$ ）。如果你对卷积维度的计算不清楚，可以参考我之前的博客吴恩达深度学习笔记（deeplearning.ai）之卷积神经网络（CNN）（上）。
上述内容没有引入channel的概念，也可以说channel的数量为1。如果将二维卷积中输入的channel的数量变为3，即输入的数据维度变为（ $14 \times 14 \times 3$ ）。由于卷积操作中过滤器的channel数量必须与输入数据的channel数量相同，过滤器大小也变为 $5 \times 5 \times 3$ 。在卷积的过程中，过滤器与数据在channel方向分别卷积，之后将卷积后的数值相加，即执行 $10 \times 10$ 次3个数值相加的操作，最终输出的数据维度为 $10 \times 10$ 。
以上都是在过滤器数量为1的情况下所进行的讨论。如果将过滤器的数量增加至16，即16个大小为 $10 \times 10 \times 3$ 的过滤器，最终输出的数据维度就变为 $10 \times 10 \times 16$ 。可以理解为分别执行每个过滤器的卷积操作，最后将每个卷积的输出在第三个维度（channel 维度）上进行拼接。
二维卷积常用于计算机视觉、图像处理领域。

2. 一维卷积

图中的输入的数据维度为8，过滤器的维度为5。与二维卷积类似，卷积后输出的数据维度为 $8 - 5 + 1 = 4$ 。
如果过滤器数量仍为1，输入数据的channel数量变为16，即输入数据维度为 $8 \times 16$ 。这里channel的概念相当于自然语言处理中的embedding，而该输入数据代表8个单词，其中每个单词的词向量维度大小为16。在这种情况下，过滤器的维度由 $5$ 变为 $5 \times 16$ ，最终输出的数据维度仍为 $4$ 。
如果过滤器数量为 $n$ ，那么输出的数据维度就变为 $4 \times n$ 。
一维卷积常用于序列模型，自然语言处理领域。

3. 三维卷积

这里采用代数的方式对三维卷积进行介绍，具体思想与一维卷积、二维卷积相同。

假设输入数据的大小为 $a_{1} \times a_{2} \times a_{3}$ ，channel数为 $c$ ，过滤器大小为 $f$ ，即过滤器维度为 $f \times f \times f \times c$ （一般不写channel的维度），过滤器数量为 $n$ 。
基于上述情况，三维卷积最终的输出为 $(a_{1} - f + 1) \times (a_{2} - f + 1) \times (a_{3} - f + 1) \times n$ 。该公式对于一维卷积、二维卷积仍然有效，只有去掉不相干的输入数据维度就行。
三维卷积常用于医学领域（CT影响），视频处理领域（检测动作及人物行为）。

分类: Machine Learning

好文要顶关注我收藏该文

szx_spark
关注 - 1
粉丝 - 15

+加关注

« 上一篇：吴恩达深度学习笔记（deeplearning.ai）之卷积神经网络（CNN）（下）
» 下一篇：吴恩达深度学习笔记（deeplearning.ai）之循环神经网络（RNN）（一）

	</div>
	<div class="postDesc">posted @ <span id="post-date">2018-02-12 19:55</span> <a href="https://www.cnblogs.com/szxspark/">szx_spark</a> 阅读(<span id="post_view_count">33325</span>) 评论(<span id="post_comment_count">2</span>)  <a href="https://i.cnblogs.com/EditPosts.aspx?postid=8445406" rel="nofollow">编辑</a> <a href="#" onclick="AddToWz(8445406);return false;">收藏</a></div>
</div>
<script src="//common.cnblogs.com/highlight/9.12.0/highlight.min.js"></script><script>markdown_highlight();</script><script type="text/javascript">var allowComments=true,cb_blogId=375231,cb_entryId=8445406,cb_blogApp=currentBlogApp,cb_blogUserGuid='f55a01d5-ba2a-4a3b-851a-08d49c352df3',cb_entryCreatedDate='2018/2/12 19:55:00';loadViewCount(cb_entryId);var cb_postType=1;var isMarkdown=true;</script>

评论列表

	<div class="feedbackItem">
		<div class="feedbackListSubtitle">
			<div class="feedbackManage">
				&nbsp;&nbsp;<span class="comment_actions"><a href="javascript:void(0);" onclick="return ReplyComment(4281410,'uwzZBDe1o3C4+cHXiGaACTgf8CJ9VlbneIQL8TlwaF2K4o5e7slw3A==')">回复</a><a href="javascript:void(0);" onclick="return QuoteComment(4281410,'uwzZBDe1o3C4+cHXiGaACTgf8CJ9VlbneIQL8TlwaF2K4o5e7slw3A==')">引用</a></span>
			</div>
			<a href="#4281410" class="layer">#1楼</a><a name="4281410" id="comment_anchor_4281410"></a>  <span class="comment_date">2019-06-17 10:01</span> <a id="a_comment_author_4281410" href="http://home.cnblogs.com/u/1240372/" target="_blank">李莫愁</a> <a href="http://msg.cnblogs.com/send/%E6%9D%8E%E8%8E%AB%E6%84%81" title="发送站内短消息" class="sendMsg2This">&nbsp;</a>
		</div>
		<div class="feedbackCon">
			<div id="comment_body_4281410" class="blog_comment_body">作者您好，感谢您的分享，内容很详细，很有帮助。<br>在此纠正一个小错误，在1二维卷积中，第三条，当过滤器数量增加到16时，过滤器的大小应该时5*5*16。</div><div class="comment_vote"><a href="javascript:void(0);" class="comment_digg" onclick="return voteComment(4281410,'Digg',this)">支持(0)</a><a href="javascript:void(0);" class="comment_bury" onclick="return voteComment(4281410,'Bury',this)">反对(0)</a></div>
		</div>
	</div>

	<div class="feedbackItem">
		<div class="feedbackListSubtitle">
			<div class="feedbackManage">
				&nbsp;&nbsp;<span class="comment_actions"><a href="javascript:void(0);" onclick="return ReplyComment(4281411,'uwzZBDe1o3C4+cHXiGaACTgf8CJ9VlbneIQL8TlwaF2K4o5e7slw3A==')">回复</a><a href="javascript:void(0);" onclick="return QuoteComment(4281411,'uwzZBDe1o3C4+cHXiGaACTgf8CJ9VlbneIQL8TlwaF2K4o5e7slw3A==')">引用</a></span>
			</div>
			<a href="#4281411" class="layer">#2楼</a><a name="4281411" id="comment_anchor_4281411"></a><span id="comment-maxId" style="display:none;">4281411</span><span id="comment-maxDate" style="display:none;">2019/6/17 10:02:55</span>  <span class="comment_date">2019-06-17 10:02</span> <a id="a_comment_author_4281411" href="http://home.cnblogs.com/u/1240372/" target="_blank">李莫愁</a> <a href="http://msg.cnblogs.com/send/%E6%9D%8E%E8%8E%AB%E6%84%81" title="发送站内短消息" class="sendMsg2This">&nbsp;</a>
		</div>
		<div class="feedbackCon">
			<div id="comment_body_4281411" class="blog_comment_body">16个5*5*3</div><div class="comment_vote"><a href="javascript:void(0);" class="comment_digg" onclick="return voteComment(4281411,'Digg',this)">支持(0)</a><a href="javascript:void(0);" class="comment_bury" onclick="return voteComment(4281411,'Bury',this)">反对(0)</a></div>
		</div>
	</div>
<div id="comments_pager_bottom"></div></div><script type="text/javascript">var commentManager = new blogCommentManager();commentManager.renderComments(0);</script>

刷新评论刷新页面返回顶部

发表评论

昵称：

评论内容：