卷积网络的输入通道数

Question

我正在关注TensorFlow的“Deep MNIST for Experts”教程：https://www.tensorflow.org/tutorials/mnist/pros/

第二个卷积层的形状为[5,5,32,64];也就是说，它有32个输入，而第一个卷积层有1个输入（该输入是我理解原始图像的灰度值）。

第二个卷积层有32个输入通道是什么意思？这是否意味着在第二层中学习的64个滤波器将全部应用（移位）到每个像素具有32个点的“虚拟”图像（该“虚拟”图像由每个滤波器学习到的原始图像组成）第一步已经应用）？如果我之前说的是正确的，那么如何将2D 5x5滤镜应用于每像素具有32点/值的图像？

Answer 1

第一个卷积层具有以下权重：

W_conv1 = weight_variable([5, 5, 1, 32])

此处5x5是补丁大小1是输入通道的数量，32是输出通道的数量。因此在第一次卷积后，输出有32个通道，因此第二个卷积层的权重矩阵的形状具有32个输入通道。