Question

我一直在从tensorflow.org工作this example来理解这些图层。

在研究卷积层时我遇到的一个问题是，我似乎无法找出滤波器数量如何在卷积层中起作用。例如，见下面的代码行使用32个过滤器。

conv1 = tf.layers.conv2d(
    inputs=input_layer,
    filters=32,
    kernel_size=[5, 5],
    padding="same",
    activation=tf.nn.relu)

我可以看到它产生了32个通道张量作为输出，但我无法弄清楚32个滤波器在模型中的确切作用。是不是该模型尝试了32次随机迭代来得出32个不同输入表示的通道张量？我不这么认为。我唯一可以想象的是它的训练迭代完成了32次或类似的事情，但不确定。查看卷积层的张量图并不能说清楚滤波器的流程。

虽然拍摄时虽然有32个重量和偏差，但我认为就是这样。是32重量和偏差？在这种情况下，任何人都可以通过更轻的一个基础计算场景，我认为我不能尽管tensorboard。

由于

Answer 1

我建议你给http://cs231n.github.io/convolutional-networks/一个阅读材料，深入了解CNN中各种组件的基本功能。直接从那里引用： -

直观地，网络将学习当他们看到某种类型的视觉特征时激活的过滤器，例如某些方向的边缘或第一层上的某种颜色的斑点，或最终在更高层上的整个蜂窝或轮状图案的网络。

给予阅读肯定有帮助。