当我阅读＆＃34; Deep MNIST专家＆＃34;在tensorflow教程中。
下面给出了第一层重量的功能。我无法理解为什么补丁大小是5 * 5以及为什么要素号是32，它们是你可以选择任何人的随机数，还是必须遵循一些规则？以及是否有特征编号＆＃34; 32＆＃34;是“卷积内核”吗？
W_conv1 = weight_variable（[5,5,1,32]）
第一卷积层
我们现在可以实现我们的第一层了。它将包括卷积， 然后是最大池。卷积将计算32个特征 对于每个5x5补丁。它的重量张量将具有[5,5,1， 32。前两个维度是补丁大小，接下来是 输入通道数，最后一个是输出数 通道。我们还将有一个偏置向量，每个向量都有一个组件 输出通道。
答案 0 :(得分：1)
补丁大小和功能数量是网络超参数，因此完全是任意的。
顺便提一下，有一些经验法则可以用来定义工作和执行网络。 内核大小应该很小，因为多个小内核的应用程序和较少数量的大内核之间的等效性（它是一个图像处理主题，它在VGG paper中得到了很好的解释） 。另外，使用小型过滤器的操作可以更快地执行。
要提取的要素数量（在您的示例中为32）完全是任意的，找到正确的数字是某种艺术。
答案 1 :(得分：0)
是的，它们都是超参数，在本教程中大部分都是随机选择的。目前已经做了很多努力来找到适当的内核大小，但是对于本教程来说并不重要。
tutorial告诉：
卷积将为每个5x5补丁计算32个特征。它的重量张量将具有[5,5,1,32]的形状
tf.nn.conv2d()告诉第二个参数代表您的过滤器，由[filter_height, filter_width, in_channels, out_channels]组成。所以[5, 5, 1, 32]表示你的in_channels为1：你有一个灰度图像，所以这里没什么意外。
32意味着在我们的学习阶段，网络将尝试学习将在预测期间使用的32个不同的内核。您可以将此号码更改为任何其他号码，因为它是您可以调整的超参数。