Keras Conv2D：过滤器与kernel_size

Question

两者之间有什么区别？这也将有助于在更一般的卷积网络中进行解释。

另外，请注意，什么是渠道？换句话说，请为我分解三个术语：通道vs过滤器vs内核。

Answer 1

每个卷积层由几个卷积通道（又称为深度或过滤器）组成。实际上，它们是一个数字，例如64, 128, 256, 512等等。这等于卷积层输出中的通道数。kernel_size另一方面，是这些卷积滤波器的大小。实际上，它们采用诸如3x3或1x1或的值5x5。简而言之，它们可以写为1或3或，5因为实际上它们通常是正方形的。

编辑

以下引用应使其更清楚。

关于虚拟的讨论

假设X是与大小的输入W x H x D x N（其中N是该批次的大小），以包含式过滤器的卷积层F（具有大小FW x FH x FD x K的网络中）。

特征通道的数量D是X此处输入的第三维（例如，如果输入由彩色图像组成，则网络的第一个输入通常为3）。过滤器的数量K是的第四维F。这两个概念紧密相关，因为如果图层中的过滤器数量为K，则它会生成具有K个特征通道的输出。因此，下一层的输入将具有K要素通道。

在FW x FH上面的是你正在寻找滤波器的尺寸。

添加

您应该熟悉 过滤器。您可以认为每个过滤器负责从原始图像中提取某种类型的特征。CNN尝试学习此类过滤器，即在训练CNN的过程中学习在CNN中参数化的过滤器。您可以将Conv2D中的每个过滤器应用于每个输入通道，并将它们组合以获得输出通道。因此，滤波器的数量和输出通道的数量相同。