CNN中过滤器的数量是多少？

Question

我目前正在看theano的API，

theano.tensor.nnet.conv2d(input, filters, input_shape=None, filter_shape=None, border_mode='valid', subsample=(1, 1), filter_flip=True, image_shape=None, **kwargs)

filter_shape是(num_filter, num_channel, height, width)的元组，我对此感到困惑，因为在图像上滑动过滤器窗口时，不是由步幅决定的过滤器数量？我怎样才能像这样指定过滤器编号？如果它是由参数stride计算的（如果有的话），那对我来说是合理的。

另外，我也对术语特征映射感到困惑，它是每层的神经元吗？批量大小怎么样？它们如何相关？

Answer 1

滤波器的数量是神经元的数量，因为每个神经元对层的输入执行不同的卷积（更准确地说，神经元和输入权重形成卷积核）。

要素图是应用过滤器的结果（因此，您拥有与过滤器一样多的要素图），其大小是过滤器和步幅的窗口/内核大小的结果。

下面的图片是我能找到的最好的解释这个概念的高级别： 请注意，2个不同的卷积滤波器应用于输入图像，从而产生2个不同的特征图（滤波器的输出）。每个特征图的每个像素都是卷积层的输出。

例如，如果您有28x28输入图像和带有20个7x7滤镜和步幅1的卷积层，您将在此图层的输出处获得20个22x22特征贴图。请注意，这将作为宽度=高度= 22且深度= num_channels = 20的卷呈现给下一层。您可以使用相同的表示来训练您的CNN上的RGB图像，例如来自CIFAR10数据集的图像，这将是32x32x3卷（卷积仅应用于2个空间维度）。

Answer 2

过滤器的数量是可以调整的超参数。卷积层中神经元的数量等于该层输出的大小。对于图片，则是要素地图的大小。

Answer 3

关于最佳过滤器数没有正确答案。这在很大程度上取决于（图像）数据的类型和复杂性。在一段时间内反复使用相似类型的数据集后，可以从经验中学习适当数量的功能。通常，图像中要捕获（并且可能可用）的功能越多，CNN中所需的滤镜数量就越大。