卷积的维度？
Dimensions of a convolution?
我对这个卷积的计算方式及其输出维度有一些疑问。我熟悉 nxm 内核的简单卷积，使用步幅、扩张或填充，这不是问题，但这个维度对我来说似乎很奇怪。由于我使用的模型是众所周知的 onnx-mnist，我认为它是正确的。
所以，我的观点是：
- 如果输入的尺寸为 1x1x28x28，输出如何为 1x8x28x28？
- W表示内核。怎么可能是8x1x5x5呢？据我所知，第一个维度是批量大小，但这里我只是用 1 个输入进行推理。这有意义吗？
- 我正在从头开始实现这个卷积运算符，到目前为止它适用于 1x1x28x28 和 1x1x5x5 的内核，但额外的维度对我来说没有意义。
附上我正在尝试做的卷积，希望不要太onnx具体。
我没有看到您使用的代码，但我猜 8 是 内核数 。这意味着您在输入上应用了 8 个不同的内核，大小为 5x5，批量大小为 1。这就是您在输出中获得 1x8x28x28 的方式，8 表示激活图的数量（每个内核一个）。
您的内核维度数 (8x1x5x5) 解释：
- 8: 不同的数量 filters/kernels（将是每个图像的输出贴图数量）
- 1: 输入通道数。如果您的输入图像是 RGB 而不是灰度，这将是 3 而不是 1。
- 5: 第一空间维度
- 5: 第二空间维度
我对这个卷积的计算方式及其输出维度有一些疑问。我熟悉 nxm 内核的简单卷积，使用步幅、扩张或填充，这不是问题，但这个维度对我来说似乎很奇怪。由于我使用的模型是众所周知的 onnx-mnist，我认为它是正确的。
所以，我的观点是：
- 如果输入的尺寸为 1x1x28x28，输出如何为 1x8x28x28？
- W表示内核。怎么可能是8x1x5x5呢？据我所知，第一个维度是批量大小，但这里我只是用 1 个输入进行推理。这有意义吗？
- 我正在从头开始实现这个卷积运算符，到目前为止它适用于 1x1x28x28 和 1x1x5x5 的内核，但额外的维度对我来说没有意义。
附上我正在尝试做的卷积，希望不要太onnx具体。
我没有看到您使用的代码，但我猜 8 是 内核数 。这意味着您在输入上应用了 8 个不同的内核，大小为 5x5，批量大小为 1。这就是您在输出中获得 1x8x28x28 的方式，8 表示激活图的数量（每个内核一个）。
您的内核维度数 (8x1x5x5) 解释：
- 8: 不同的数量 filters/kernels（将是每个图像的输出贴图数量）
- 1: 输入通道数。如果您的输入图像是 RGB 而不是灰度，这将是 3 而不是 1。
- 5: 第一空间维度
- 5: 第二空间维度