这个问题在互联网上以各种形式被问到，而且有一个简单的答案，常常被忽略或混淆：
简单回答：
Keras Conv2D层在多通道输入(例如彩色图像)的情况下，将在所有颜色通道上应用滤波器，并将结果求和，生成等效于单色卷积输出图像。在
(1)您正在使用CIFAR图像数据集进行培训，该数据集由32x32颜色图像组成，即每个图像都是形状(32,32,3)(RGB=3个通道)
(2)网络的第一层是一个Conv2D层，有32个过滤器，每个过滤器指定为3x3，因此：
Conv2D(32，(3,3)，padding='same'，输入形状=(32,32,3))
(3)与直觉相反，Keras将每个过滤器配置为(3,3,3)，即覆盖3x3像素和所有颜色通道的3D体积。作为一个次要的细节，每个过滤器有一个额外的权重为一个偏差值，按照正常的神经网络层算法。在
(4)卷积过程完全正常，除了在每个步骤用3x3x3滤波器卷积来自输入图像的3x3x3体积，并且在每个步骤产生单个(单色)输出值(例如像素)。在
(5)结果是(32,32,3)图像上指定(3,3)滤波器的Keras Conv2D卷积产生(32,32)结果，因为实际使用的滤波器是(3,3,3)。在
(6)在本例中，我们还在Conv2D层中指定了32个过滤器，因此每个输入图像的实际输出为(32,32,32)(即，您可以将其视为32个图像，每个过滤器一个，每个32x32个单色像素)。在
作为检查，可以查看由生成的层的权重计数(Param#)模型.摘要()：Layer (type) Output shape Param#
conv2d_1 (Conv2D) (None, 32, 32, 32) 896
有32个过滤器，每个3x3x3(即27个权重)加上1个偏差(即每个过滤器总共28个权重)。32个过滤器x每个28个权重=896个参数。在
本文链接：https://my.lmcjl.com/post/2216.html
4 评论