框架使用

在caffe中卷积核是三维的还是二维的？

如果输入的图片是彩色的，那么caffe中做卷积时，卷积核时几维的呢？输出的特征图又是几维的呢？如果换成灰度图，又是什么情况呢？感谢您的回答！

7 个回复

ruirui_ICT - 听大大们说，要“左手代码，右手公式”，喵~

赞同来自: 辛淼、月光里的阳光ysu 、xjtuljy 、OutLaws 、deeepsea 、搬砖工彭于晏哼、调参小白、ersanqiao 、OpenAI 、xmj9999 、土拨鼠翻翻土、mabixxoo 、深度学习思考者更多 »

刚开学比较无聊，我想借这个问题讲一下cnn的输入输出维度怎么算的。。
先说结论：一个卷积核是三维的（channel×height×width），每个卷积层有若干卷积核，一个卷积核输出的feature map是二维的，每层输出的feature map数量和卷积核数量相等。

以经典的AlexNet为例，先上图

输入图像是227×227×3（注1），conv1的卷积核参数是：
kernel_size: 11
stride: 4
num_output: 96
因此实际的卷积核维度是11×11×3，channel是输入的图像的第三维（如果是后面的卷积层，其卷积核的channel是与之做卷积的输入的feature map的数量），即3，做卷积的时候，是11×11×3的卷积核和输入图像里的11×11×3的块进行卷积，得到一个值，卷积的过程是在height和width上滑动，第三维上不滑动，因此得到的feature map是二维的，公式是
$$\text{FeaSize}=\lfloor\frac{\text{InputSize}-\text{KernelSize}}{\text{Stride}}\rfloor+1$$
（注意这里是下取整，pooling是上取整，二者是反着的）
因此conv1输出的feature map size为$$\lfloor\frac{227-11}{4}\rfloor+1=55$$
输出的feature map数量和卷积核数量相同，为96，因此conv1的输出是55×55×96

后面的层类似，只要注意卷积核的第三维是由输入的feature map的数量决定就可以了，这一点从图上也可以看出来。

最后祝大家春节快乐~

注1：论文里是224×224×3，caffe官网的例子里是227×227×3，这里以官网的例子为例。

（针对最近大大们头疼的侵权问题，在这里弱弱的加一句：本内容为本人原创，仅授权给CaffeCN社区（caffecn.cn）使用，如需转载须注明转载来源。(⊙v⊙)）