neural-network - 对于前一层的每个通道，一个卷积滤波器是否总是具有不同的系数？

Question

例如，我们有 3 个通道（红、绿、蓝）的 RGB 图像。我们使用卷积神经网络。

对于图像的每个通道（R，G，B），每个卷积滤波器是否总是具有 3 个不同的系数？

1. 即filter-W1是否有3个不同的系数矩阵：W1[::0], W1[::1], W1[::2]如下图所示？

2. 还是在现代神经网络中的一个滤波器中经常使用相同的系数（W1[::0] = W1[::1] = W1[::2]）？

通过链接获取：http ://cs231n.github.io/convolutional-networks/

---

另外：http ://cs231n.github.io/convolutional-networks/#conv

卷积层

...

沿深度轴的连接程度始终等于输入体积的深度。再次强调我们如何处理空间维度（宽度和高度）和深度维度的这种不对称性很重要：连接在空间中是局部的（沿着宽度和高度），但总是沿着输入体积的整个深度充满。

Answer 1

这里表示的是第一个隐藏层（这里是卷积层）。每个过滤器都有 3 个通道，因为您的输入（对于这一层的图像）有 3 个通道 (RGB)。导致您连接的 2 个特征图（这解释了 (3x3)x2 大小的输出体积）。

更一般地说，对于大小为 (1x)WxHxC 的输入（为简单起见，让我们考虑批量大小为 1），每个过滤器的大小将为 NxNxC（为简单起见，让我们考虑步幅为 1 和“相同”填充，即使对于您的示例，它是“有效”填充），因此对于 F 过滤器，您的输出将具有 (1x)WxHxF 的大小。

希望它足够清楚（例如 W = H = 7，C = 3，N = 3 和 F = 2）。

如果不够清楚，请随时发表评论:)