如何得到卷積層輸出的深度--CNN卷積層
w_conv1=weight_variable([5,5,1,32])，一直不明白這個32是怎麼來的，表示的是什麼？
後來看到cs231n-知乎課程翻譯的卷積神經網那一章的一段話：
引數共享：在卷積層中使用引數共享是用來控制引數的數量。就用上面的例子，在第一個卷積層就有55x55x96=290,400個神經元，每個有11x11x3=364個引數和1個偏差。將這些合起來就是290400x364=105,705,600個引數。單單第一層就有這麼多引數，顯然這個數目是非常大的。
作一個合理的假設：如果一個特徵在計算某個空間位置(x,y)的時候有用，那麼它在計算另一個不同位置(x2,y2)的時候也有用。基於這個假設，可以顯著地減少引數數量。換言之，就是將深度維度上一個單獨的2維切片看做深度切片（depth slice）
可以看出，上面的32表示的是卷積層輸出的深度，因為大家都明白width和height都可以通過公式計算得到，但是很多文獻都沒有告訴深度是如何得到的，下面是我的認識：
1. 因為這個深度是沒有公式可以計算出來的，因為深度是一個經驗值，如上面程式碼的32 ，其實是一個經驗值，是通過調整引數發現32是一個最合適的值，可以得到最好的準確率，但是不同的影象的深度是不一樣的。
2.這個深度表示用了多少個卷積核，下面這個圖可以說明一下：
上圖就可以很有效的說明 ：卷積層輸出的深度==卷積核的個數。
相關推薦
如何得到卷積層輸出的深度--CNN卷積層
tensorflow程式碼（Tensorflow官方文件）中： w_conv1=weight_variable([5,5,1,32])，一直不明白這個32是怎麼來的，表示的是什麼？ 後來看到cs231n-知乎課程翻譯的卷積神經網那一章的一段話：引數共享：在卷積層中使用引數
深度學習基礎（二）—— 從多層感知機（MLP）到卷積神經網路（CNN）
經典的多層感知機（Multi-Layer Perceptron）形式上是全連線（fully-connected）的鄰接網路（adjacent network）。 That is, every neuron in the network is connec
深度學習之cnn中第一層卷積層特徵的顯示
一、前言 本篇文章主要介紹了CNN網路中卷積層的計算過程，欲詳細瞭解CNN的其它資訊可以參考：技術向：一文讀懂卷積神經網路。 卷積神經網路(CNN)是區域性連線網路。相對於全連線網路其最大的特點就是：區域性連線性和權值共享性。因為對一副影象中的某個畫素p來說，一般離畫
【神經網路】卷積層輸出大小計算（長、寬、深度）
先定義幾個引數 輸入圖片大小 W×W Filter大小 F×F 步長 S padding的畫素數 P 於是我們可以得出 N = (W − F + 2P )/S+1 輸出圖片大小為 N×N 轉載： 卷積中的特徵圖大小計算方式有兩種，分別是‘VALID’和‘SAM
【深度學習】基於MatConvNet框架的CNN卷積層與特徵圖視覺化
【題目】 程式設計實現視覺化卷積神經網路的特徵圖，並探究影象變換(平移，旋轉，縮放等）對特徵圖的影響。選擇AlexNet等經典CNN網路的Pre-trained模型，視覺化每個卷積層的特徵圖（網路輸入圖片自行選擇）。其中，第一層全部視覺化，其餘層選
理解CNN卷積層與池化層計算
CNN網絡 卷積層 池化層 深度學習 OpenCV 概述 深度學習中CNN網絡是核心，對CNN網絡來說卷積層與池化層的計算至關重要，不同的步長、填充方式、卷積核大小、池化層策略等都會對最終輸出模型與參數、計算復雜度產生重要影響，本文將從卷積層與池化層計算這些相關參數出發，演示一下不同步長、
【深度學習】Tensorflow——CNN 卷積神經網路 2
轉自https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-05-CNN3/ 目錄 圖片處理 建立卷積層 建立全連線層 選優化方法 完整程式碼
【深度學習】Tensorflow——CNN 卷積神經網路 1
轉自https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-04-CNN2/ 這一次我們會說道 CNN 程式碼中怎麼定義 Convolutional 的層和怎樣進行 pooling. 基於上一次卷積神經網路的介
由淺入深：CNN中卷積層與轉置卷積層的關系
更多 deep 每次 展開 大禮包 位移 入門 ssg 得出 歡迎大家前往騰訊雲+社區，獲取更多騰訊海量技術實踐幹貨哦~ 本文由forrestlin發表於雲+社區專欄 導語：轉置卷積層（Transpose Convolution Layer）又稱反卷積層或分數卷積層，在
【讀書1】【2017】MATLAB與深度學習——卷積層(4)
圖6-13 當影象矩陣與濾波器不匹配時，較大的重要元素不會起到顯著的作用Whenthe image matrix does not match the filter, the significant elements are notaligned 這是因為影象矩陣與濾波器不匹配，影象矩
CNN卷積層到全連線層的輸入格式變換錯誤 tf.reshape()和slim.flatten()
TypeError: Failed to convert object of type < type ‘list’>to Tensor. Contents: [None, 9216]. Consider casting elements to a supported type.
吳恩達深度學習筆記（deeplearning.ai）之卷積神經網路（CNN）（上）
1. Padding 在卷積操作中，過濾器（又稱核）的大小通常為奇數，如3x3，5x5。這樣的好處有兩點： 在特徵圖（二維卷積）中就會存在一箇中心畫素點。有一箇中心畫素點會十分方便，便於指出過濾器的位置。 在沒有padding的情況下，經過卷積操作，輸出的資
詳細解釋CNN卷積神經網路各層的引數和連線個數的計算
積神經網路是一個多層的神經網路，每層由多個二維平面組成，而每個平面由多個獨立神經元組成。 圖：卷積神經網路的概念示範：輸入影象通過和三個可訓練的濾波器和可加偏置進行卷積，濾波過程如圖一，卷積後在C1層產生三個特徵對映圖，然後特徵對映圖中每組的四個畫素再進行
深度學習 --- 卷積神經網路CNN（LeNet-5網路學習演算法詳解）
上一節我們詳細探討了LeNet-5網路的架構，但是還沒有解釋該網路是如何進行學習的，如何更新權值的，本節將接著上一節進一步CNN的學習機制和權值更新過程，這裡請大家一定要對CNN網路有一個清晰的認識，知道每一層是做什麼的，為什麼這樣設定。原因在哪等。大家在學習的過程中需要多問自己幾個為什麼，這樣
深度學習 --- 卷積神經網路CNN（LeNet-5網路詳解）
卷積神經網路（Convolutional Neural Network，CNN）是一種前饋型的神經網路，其在大型影象處理方面有出色的表現，目前已經被大範圍使用到影象分類、定位等領域中。相比於其他神經網路結構，卷積神經網路需要的引數相對較少，使的其能夠廣泛應用。 本節打算先介紹背景和簡單的基本
由淺入深：CNN中卷積層與轉置卷積層的關係
歡迎大家前往騰訊雲+社群，獲取更多騰訊海量技術實踐乾貨哦~ 導語：轉置卷積層（Transpose Convolution Layer）又稱反捲積層或分數卷積層，在最近提出的卷積神經網路中越來越常見了，特別是在對抗生成神經網路（GAN）中，生成器網路中上取樣部分就出現了轉置卷積層，用於恢復減少的維數。那麼，轉
【深度學習】8：CNN卷積神經網路與sklearn資料集實現數字識別
前言：這個程式碼是自己閒暇無事時候寫的。 因為CNN卷積神經網路用MNIST資料集、sklearn資料集程式碼很多部分都很相似，這一篇就不附詳細說明，原始碼最下。CNN卷積神經網路的工作原理，請詳情參考——【深度學習】5：CNN卷積神經網路原理、MNIST資料
CNN卷積各層的引數和連結個數的計算(整合各路部落格總結)
轉載自：http://blog.csdn.net/dcxhun3/article/details/46878999，但是加入了自己的理解 一、CNN概述 卷積神經網路是一個多層的神經網路，每層由多個二維平面組成（每個層有多個Feature Map，每個Feat
詳細解釋CNN卷積神經網路各層的引數和連結個數的計算
卷積神經網路是一個多層的神經網路，每層由多個二維平面組成，而每個平面由多個獨立神經元組成。 圖：卷積神經網路的概念示範：輸入影象通過和三個可訓練的濾波器和可加偏置進行卷積，濾波過程如圖
乾貨 | 深度學習之卷積神經網路（CNN）的前向傳播演算法詳解
微信公眾號 關鍵字全網搜尋最新排名 【機器學習演算法】：排名第一 【機器學習】：排名第一 【Python】：排名第三 【演算法】：排名第四 前言 在（乾貨 | 深度學習之卷積神經網路(CNN)的模型結構）中，我們對CNN的模型結構做了總結，這裡我們就在CNN的模型基礎上，看看CNN的前向傳播演算法是什麼樣