隐藏的三维卷积网络层的形状，如何计算？

Question

我想用计算机计算一个CNN给定的隐藏层输出的形状，所以假设输入形状是（27,27,27,1）即一个图像channe，第一个卷积层是一个16X(3,3,3)的核，stride是1，padding是0，所以这一层的输出形状是 。(25,25,25,16)，16对应于这一层的核数，所以这里我们有16个形状为(25,25,25)的卷积层，之后，我们有第二个卷积层是32X(3,3,3)的核，跨度为1，padding为0，所以这一层的每个核都应该(通常)应用于这一层的整个输入卷。 所以我不明白我们是如何得到(23,23,23,32)的，而第一层(即16)的输出的第四维在哪里？

Answer 1

只考虑第二层(忽略偏置)

• 输入形状。(25, 25, 25, 16)
• 核心大小。(3, 3, 3)
• 输出通道。32
• 总的权数。16 * 32 * 3 * 3 * 3

与2D conv层实际上是在执行多个3D卷积的方式类似，3D conv层实际上是在执行多个4D卷积。具体来说，所述的3D conv层是在执行32个卷积，每个卷积的核大小为（3，3，3，16）。这些卷积操作之一对输入特征的结果是（23，23，23，1）。在所有32个这样的操作完成后，它们沿着通道维度进行堆叠，导致最终的输出形状为（23，23，23，32）。