Conv2d 层中的滤波器参数是什么意思？

Question

我对过滤器参数感到困惑，它是 keras 中 Conv2D() 层函数的第一个参数。据我了解，过滤器应该执行诸如边缘检测或锐化图像或模糊图像之类的操作，但是当我将模型定义为

input_shape = (32, 32, 3)
model = Sequential()
model.add( Conv2D(64, kernel_size=(5, 5), activation='relu', input_shape=input_shape, strides=(1,1), padding='same') )
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2,2)))
model.add(Conv2D(64, kernel_size=(5, 5), activation='relu', input_shape=input_shape, strides=(1,1), padding='same'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2,2)))
model.add(Conv2D(128, kernel_size=(5, 5), activation='relu', input_shape=input_shape, strides=(1,1), padding='same'))
model.add(Flatten())
model.add(Dense(3072, activation='relu'))
model.add(Dense(2048, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

我没有在 Conv2D 函数中的任何地方提到边缘检测或模糊或锐化。输入图像是 32 x 32 RGB 图像。

所以我的问题是，当我将卷积层定义为 时Conv2D(64, ...)，这 64 是否意味着 keras 随机选择的 64 个不同类型的过滤器，例如垂直边缘、水平边缘等？如果是这样，那么 32x32 1 通道图像上的卷积层（具有 64 个滤波器和 5x5 内核和 1x1 步长）的输出是 64 个图像，每个图像大小为 28x28。这 64 个图像如何组合成一个图像以用于进一步的层？

Answer 1

该filters参数设置该层中卷积滤波器的数量。使用参数指定的方法将这些过滤器初始化为小的随机值kernel_initializer。在网络训练期间，过滤器以最小化损失的方式更新。因此，在训练过程中，过滤器将学习检测某些特征，例如边缘和纹理，它们可能会变成如下图所示（来自此处）。

认识到过滤器不是手工制作的，这一点非常重要。这些是在训练过程中自动学习的——这就是深度学习的美妙之处。

我强烈建议您浏览一些深度学习资源，特别是https://cs231n.github.io/volval-networks/和https://www.youtube.com/watch?v=r5nXYc2wYvI&list=PLypiXJdtIca5sxV7aE3-PS9fYX3vUdIOX&index=3&t=3122s。