关键词：
【中文标题】卷积神经网络 - 如何获得特征图？【英文标题】：Convolutional neural network - How to get the feature maps? 【发布时间】：2010-11-21 18:00:21 【问题描述】：我阅读了一些关于卷积神经网络的书籍和文章，似乎我理解了这个概念，但我不知道如何把它像下图一样： （来源：what-when-how.com）
从 28x28 归一化像素输入，我们得到 4 个大小为 24x24 的特征图。但如何得到它们？调整输入图像的大小？或执行图像转换？但是什么样的转变呢？或者将输入图像切割成 4 块 24x24 x 4 角？我不明白这个过程，对我来说，他们似乎在每一步都将图像切割或调整为更小的图像。请帮忙谢谢。
【问题讨论】：
您能列举一下您为卷积神经网络阅读的书籍/文章吗？提前致谢。 来自神经网络和学习机器，第三版 我也很困惑，这个卷积实际上是非常重要的部分（因此得名convolutional NN），但是大多数人似乎专注于解释CNN是如何工作的，而忽略了“如何获得特征图”部分。在找到这个网站之前，我很困惑（也很生气）：www1.i2r.a-star.edu.sg/~irkhan/conn2.html 它用简单的英语解释了一切。
可悲的是www1.i2r.a-star.edu.sg/~irkhan/conn2.html 404s。有人有缓存版本吗？
镜像ishtiaqrasool.blogspot.com/2013/07/CoNN2.html（遗憾的是没有图片）
【参考方案1】：
这是 CONV2 函数的 matlab 帮助文件，用于 CNN Matlab（获取卷积层）。仔细阅读，你会看到答案。
%CONV2 Two dimensional convolution.
% C = CONV2(A, B) performs the 2-D convolution of matrices A and B.
% If [ma,na] = size(A), [mb,nb] = size(B), and [mc,nc] = size(C), then
% mc = max([ma+mb-1,ma,mb]) and nc = max([na+nb-1,na,nb]).
%
% C = CONV2(H1, H2, A) convolves A first with the vector H1 along the
% rows and then with the vector H2 along the columns. If n1 = length(H1)
% and n2 = length(H2), then mc = max([ma+n1-1,ma,n1]) and
% nc = max([na+n2-1,na,n2]).
%
% C = CONV2(..., SHAPE) returns a subsection of the 2-D
% convolution with size specified by SHAPE:
% 'full' - (default) returns the full 2-D convolution,
% 'same' - returns the central part of the convolution
% that is the same size as A.
% 'valid' - returns only those parts of the convolution
% that are computed without the zero-padded edges.
% **size(C) = max([ma-max(0,mb-1),na-max(0,nb-1)],0).**
【讨论】：
卷积神经网络中特征图大小计算公式总结
W：输入特征图的宽，H：输入特征图的高K：kernel size卷积核宽和高，P：padding（特征图需要填充的0的个数），S：stride步长width_out：卷积后输出特征图的宽，height_out：卷积后输 查看详情
一文让你彻底了解卷积神经网络
介绍卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(convolutionallayer)和池化层(poolinglayer)。对比：卷积神经网... 查看详情
一文让你彻底了解卷积神经网络
卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(convolutionallayer)和池化层(poolinglayer)。对比：卷积神经网络、... 查看详情
卷积神经网络（cnn）详解
一、卷积神经网络的基本概念 卷积神经网络与普通神经网络的区别在于，卷积神经网络包含了一个由卷积层和子采样层（池化层）构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经... 查看详情
卷积理论知识
...讲解理论知识比有些博客容易理解很多，这里记一篇卷积神经网络理论知识原地址：https://zhuanlan.zhihu.com/p/50800849原来CNN是这样提取图像特征的。。。对于即将到来的人工智能时代，作为一个有理想有追求的程序员，不懂深度学... 查看详情
cnn卷积神经网络
什么是卷积神经网络 卷积神经网络是一种特殊的、简化的深层神经网络模型，它的每个卷积层都是由多个卷积滤波器组成。它最先由lecun在LeNet[40]中提出，网络结构如下图所示。在cnn中，图像的一小部分（局部感受区域... 查看详情
卷积神经网络在池化步骤之后如何进行？
】卷积神经网络在池化步骤之后如何进行？【英文标题】：HowdoConvolutionalneuralnetworksproceedafterthepoolingstep?【发布时间】：2019-05-0313:53:54【问题描述】：我正在尝试了解卷积神经网络，但我无法理解在池化步骤之后神经网络会发生... 查看详情
cnn卷积神经网络基础理论知识
目录卷积卷积神经网络特征图感受野CNN特点局部卷积参数共享多卷积核池化处理多通道多层处理卷积说到卷积，就不得不提互相关(cross-orrelation)。卷积实质就是一种互相关运算，只不过要在进行互相关运算前，要把(kernal)上下左... 查看详情
语义分割学习
滑窗预测利用分类模型逐像素分类，并且可以复用卷积计算。但是因为分类网络输出前有全连接层，因此要求网络的输入固定。全卷积网络将全连接层卷积化，使其不受输入图片宽高的影响。图像分类模型使用降采样... 查看详情
卷积神经网络总结
卷积操作特征图大小计算图中蓝色部分为5×5大小的输入卷积层的特征图，黄色部分为3×3大小的卷积核，其内部黑色数字为卷积核权重参数，经过卷积操作以后得到右侧绿色3×3大小的输出特征图。如果使用input_N表示... 查看详情
10卷积神经网络及python实现(代码片段)
1卷积神经网络简介卷积神经网络(ConvolutionalNeuralNetwork,CNN)由LeCun在上世纪90年代提出。LeCunY.,BottouL.,BengioY.,andHaffnerP.,Gradient-basedlearningappliedtodocumentrecognition,ProceedingsoftheIEEE,pp.1-7,1998.卷积核和特征图：如果我们用6个卷积核，... 查看详情
卷积神经网络的卷积层如何提取特征？
...个什么概念？3.卷积层如何能做到智能提取特征？4.卷积神经网络，我看很多实例都是来识别图片什么的？那意思是该算法一般也是应用于人脸识别、图像识别这块么?参考技术A提取特征不一定是分三层，觉得特征值不够好，可以... 查看详情
原来cnn是这样提取图像特征的。。。
...如何工作的，以及概述了反向传播的过程，将让你对卷积神经网络CNN提取图像特征有一个透彻的理解。那么我们首先从最基本的数学计算——卷积操作开始。1.卷积操作假设有一个55的图像，使用一个33的卷积核（filter）进行卷积... 查看详情
卷积层在神经网络中如何运算？
参考技术A卷积神经网络（ConvolutionalNeuralNetworks,CNN）的核心是进行卷积运算操作。在实际应用中往往采用多层网络结构，因此又被称为深度卷积神经网络。本文将从单个卷积的计算出发，带大家掌握卷积层在神经网络中的运算方... 查看详情
卷积层在神经网络中如何运算？
参考技术A卷积神经网络（ConvolutionalNeuralNetworks,CNN）的核心是进行卷积运算操作。在实际应用中往往采用多层网络结构，因此又被称为深度卷积神经网络。本文将从单个卷积的计算出发，带大家掌握卷积层在神经网络中的运算方... 查看详情
卷积神经网络
参考技术A卷积神经网络（ConvolutionalNeuralNetworks，CNN）是一种前馈神经网络。卷积神经网络是受生物学上感受野（ReceptiveField）的机制而提出的。感受野主要是指听觉系统、本体感觉系统和视觉系统中神经元的一些性质。比如在视... 查看详情
卷积神经网络 - 多通道
】卷积神经网络-多通道【英文标题】：ConvolutionalNeuralNetworks-MultipleChannels【发布时间】：2015-02-2723:31:56【问题描述】：当输入层存在多个通道时，卷积操作是如何进行的？（例如RGB）在阅读了CNN的架构/实现之后，我了解到特征... 查看详情
未对特征图进行下采样时转置卷积的必要性
】未对特征图进行下采样时转置卷积的必要性【英文标题】：necessityoftransposedconvolutionwhenfeaturemapsarenotdownsampled【发布时间】：2017-12-0205:29:42【问题描述】：我正在阅读一篇论文here。论文中的作者提出了一种对称生成器网络，该... 查看详情