深度学习入门 : 基于Python的理论与实现

7.2  卷积层 

209

如这些例子所示，通过在式（7.1）中代入值，就可以计算输出大小。这

里需要注意的是，虽然只要代入值就可以计算输出大小，但是所设定的值必

须使式（7.1）中 的

和 分别可以除尽。当输出大小无法

除尽时（结果是小数时），需要采取报错等对策。顺便说一下，根据深度学习

的框架的不同，当值无法除尽时，有时会向最接近的整数四舍五入，不进行

报错而继续运行。

7.2.5

　3维数据的卷积运算

之前的卷积运算的例子都是以有高、长方向的 2维形状为对象的。但是，

图像是3维数据，除了高、长方向之外，还需要处理通道方向。这里，我们按

照与之前相同的顺序，看一下对加上了通道方向的 3维数据进行卷积运算的例子。

图7

-

8 是卷积运算的例子，图 7

-

9 是计算顺序。这里以 3 通道的数据为例，

展示了卷积运算的结果。和2 维数据时（图7

-

3 的例子）相比，可以发现纵深

方向（通道方向）上特征图增加了。通道方向上有多个特征图时，会按通道

进行输入数据和滤波器的卷积运算，并将结果相加，从而得到输出。

图7-8　对3 维数据进行卷积运算的例子

4 2 1 2

5 2 2

4

6 1 1

2

* 3 0

5

4

2

1

2

4

2

5

3 0 6 5

2 2 2

3

1 1 1

0

0 3 0

1

63 55

18 51

4 0 2

0 1

0

2 0

2

4

0

2

0

2

0 1 3

1 1

2

3 0

0

0

1

3

1

1

2

3

0

0

2 0 1

0 1 2

1 0 2

2

2

2

3

1

1

1

0

0

3

0

1

1 2 3 0

0 1 2 3

3 0 1 2

2 3 0 1

输入数据 输出数据滤波器

  第 7章　卷积神经网络

210 ...