3d卷积和2d卷积1d卷积运算-CNN卷积核与通道讲解
全网最全的卷积运算过程：https://blog.csdn.net/Lucinda6/article/details/115575534?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-115575534-blog-120089990.pc_relevant_paycolumn_v3&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-115575534-blog-120089990.pc_relevant_paycolumn_v3&utm_relevant_index=1
CNN卷积核与通道讲解：https://blog.csdn.net/yilulvxing/article/details/107452153?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165192580116781435494528%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=165192580116781435494528&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2allfirst_rank_ecpm_v1~rank_v31_ecpm-4-107452153-null-null.142v9pc_search_result_control_group,157v4control&utm_term=%E5%8D%95%E9%80%9A%E9%81%93%E5%8D%B7%E7%A7%AF%E6%A0%B8%E5%A4%9A%E9%80%9A%E9%81%93%E5%8D%B7%E7%A7%AF%E6%A0%B83D%E5%8D%B7%E7%A7%AF&spm=1018.2226.3001.4187
3d卷积和2d卷积：https://blog.csdn.net/qq_35415875/article/details/120415505?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165192774516781432913892%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=165192774516781432913892&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2allfirst_rank_ecpm_v1~rank_v31_ecpm-29-120415505-null-null.142v9pc_search_result_control_group,157v4control&utm_term=%E5%A6%82%E4%BD%95%E7%90%86%E8%A7%A33D%E5%8D%B7%E7%A7%AF&spm=1018.2226.3001.4187
3D
拿视频做卷积来说，并不是说有rgb三通道就是3d卷积了，而是，某一帧是二维，多张连续帧就是三维了，加了时间维，然后3d卷积是可以在帧与帧之间进行卷积的。如下图所示，蓝色代表一帧，绿色代表一帧，红色代表一帧，3d卷积很明显可以获得帧间的信息关系。
1D，向量维度就是类比图像的通道数了
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85+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8×16。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55变为5×16，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×n。
一维卷积常用于序列模型，自然语言处理领域。
2D
上述过程中，每一个卷积核的通道数量，必须要求与输入通道数量一致，因为要对每一个通道的像素值要进行卷积运算，所以每一个卷积核的通道数量必须要与输入通道数量保持一致。
那么，如果要卷积后也输出多通道，增加卷积核（filers）的数量即可，示意图如下：
3d卷积和2d卷积1d卷积运算-CNN卷积核与通道讲解相关推荐
- 卷积网络的学习（卷积核，通道，padding，stride等概念）
1 卷积网络的核心是:可以约减不必要的权值连接,引入稀疏或局部连接,带来权值共享策略大大地减少参数量相对的提升了数据量,从而可以避免过拟合: 具有平移不变性=鲁棒性较好. 优势:参数共享与稀疏连接, ...
- 一文教你搞懂2D卷积和3D卷积
前言 本人最近在搞毕设时发现自己一直会搞混2D卷积和3D卷积,于是在网上查阅了大量资料,终于明白了其中的原理.希望刷到这篇博客的小伙伴能够停下来静心阅读10分钟,相信你读完之后一定会有所收获. ...
- [十三]深度学习Pytorch-卷积层(1D/2D/3D卷积、卷积nn.Conv2d、转置卷积nn.ConvTranspose)
0. 往期内容 [一]深度学习Pytorch-张量定义与张量创建 [二]深度学习Pytorch-张量的操作:拼接.切分.索引和变换 [三]深度学习Pytorch-张量数学运算 [四]深度学习Pytor ...
- 常规卷积，DW卷积和PW卷积的区别
常规卷积,DW卷积和PW卷积的区别 转载于卷积神经网络中的Separable Convolution 卷积神经网络在图像处理中的地位已然毋庸置疑.卷积运算具备强大的特征提取能力.相比全连接又消耗更少的 ...
- 手把手教你使用 1D 卷积和 LSTM 混合模型做 EEG 信号识别
本文是由CSDN用户[Memory逆光]授权分享.主要介绍了使用 1D 卷积和 LSTM 混合模型做 EEG 信号识别.感谢Memory逆光! 内容包括:1. 数据集(1.1 数据集下载.1.2 数据 ...
- 3D姿态估计：语义图卷积SematicGCN与GAN-RepNet
3D人体姿态估计(3 Demensional Human Pose Estimation)的目标是在单张/多张RGB图片或2D人体姿态坐标的基础上,预测人体的三维坐标.目前流行的方法包括由单张图像直接 ...
- 卷积运算与卷积核DLC
一.卷积运算 在数学上,卷积的定义是:两个函数在反转和位移后的乘积的积分,其公式表现为: 其中称g为过滤器,f为信号. 但是在深度学习中,卷积并不进行反转,而是直接进行逐元素的乘法和加法(称互相关:一 ...
- 1D卷积网络HAR（人体活动识别）实践
HAR(人体活动识别)是根据加速度计序列数据,将活动分类为已知的预定义的活动类别,其数据是由专业设备或智能手机记录的. 解决这个问题的传统方法需要手工制作特征,这些特征来自于基于固定大小的窗口和训练机 ...
- 二维数组各行分别求和_【PyTorch入门】之十分钟看懂二维卷积层的运算、实现及应用...
原文链接: [动手学深度学习笔记]之二维卷积层mp.weixin.qq.com 1.二维卷积层 本节介绍卷积神经网络中最常见的二维卷积层.二维卷积层常用来处理图像数据,它具有两个空间维度(高和宽). ...
最新文章
- boot spring 对参数检测_【springboot】@Valid参数校验
- 菠萝派php示例,菠萝派 - 美食杰 - 美食,菜谱 - 中国最全的家常菜谱美食网
- linux文件目录分析之/etc目录
- lunbuntu install maven
- Struts1 中的 global-forward
- java 线程同时启动_java多个线程同时启动的两种方式
- SQL 中 left join 的底层原理（各种JOIN的复杂度探究）
- springcloud使用zipkin实现链路追踪与监控
- 通过Lotusscript修改数据库主模板属性
- CSS3导入字体后用另外一种索引去加载字体里面的字符的问题。
- HttpUtil工具
- CCS以及DSP入门帖
- 第9章 课后作业
- 【通信原理 入坑之路】基于MATLAB的移动通信系统仿真 之 瑞利衰落信道的原理与仿真
- android sony 镜像,解释如何使用Sony TV DLNA屏幕镜像功能
- 推荐交互设计师阅读的一本书
- 删除的android电话怎么找回,通话记录删除了怎么恢复？安卓手机通话记录恢复方法...
- 零基础学python难吗？python自学难吗？
- 本地php开发环境出现 cURL error 60
- 将一个数组中重复的元素去除，并且返回一个新数组