1.多输入

image.png
image.png

  • c(i) 为输入通道个数

    2.多输出

    image.png

  • cici 和 coco 分别表示输入和输出通道的数目

    3.组合

    image.png
    例如，输入为3，输出为2
    image.png

  • 输出通道的个数对应着整个核（2个大的核）的个数

  • 大核对应着里面的小核的个数对应着输出输入通道的个数

    4.特殊的1*1卷积层

    image.png

  • 不做任何的空间变化

  • 不能识别相邻像素间的相关特征
  • 融合通道，以 cici 个输入值转换为 coco 个输出值，相当于把以上的input、ouput展平
  • 1×1卷积层通常用于调整网络层的通道数量和控制模型复杂性

image.png
总结：
输出的通道数是超参数，输入不是
每一个输入通道都有独立的二维卷积层，所有输入通道的结果相加为输出通道
每一个输出通道都有独立的三维卷积层

5.池化层

卷积层对位置信息非常敏感，设置池化层的目的：降低卷积层对位置的敏感性，同时降低对空间降采样表示的敏感性。
image.png

  • 与卷积层类似，每次滑动池化层去扫描input，取最大，得到output.

池化层的超参数

  • 池化层与卷积层类似，都具有填充和步幅
  • 没有可学习的参数
  • 在每个输入通道应用池化层以获得相应的输出通道

总结

  • 池化层返回窗口中最大或平均值
  • 缓解卷积层对位置的敏感性
  • 同样有窗口大小、填充、和步幅作为超参数
  • 使用最大汇聚层以及大于 1 的步幅，可减少空间维度