我在喀拉拉邦建立了一个ConvNet，这些是其中的2层
model.add(Conv2D(8 , 3 , input_shape = (28,28,1)))
model.add(Activation(act))
model.add(Conv2D(16 , 3))
model.add(Activation(act))
我完全理解大小为26x26x8的第一层的输出，因为有8个大小为3x3的滤镜，每个滤镜都用于生成单独的特征图，因此为26x26x8
第二层的输出大小为24x24x16，我无法理解。输出的大小不应该为24x24x128，因为第二层的每个过滤器都会作用于第一层的输出的每个特征图上？
基本上，我不了解如何将一层的输出馈送到另一层的输入
答案 0 :(得分：1)
否，它是convolutions over volume。每个过滤器都适用于所有通道。
答案 1 :(得分：0)
如果有人花时间实际写出数学，我会喜欢它。但我猜没有人知道实际操作是什么。 “适用于所有渠道”的含糊不清的语言与 OP 认为正在发生的事情是一样的。上面的评论者使用这种语言表示他们总结所有渠道。不清楚。
我和 OP 有同样的问题。我找到了答案。 Keras 中的 Conv2D 层的卷积操作创建了一个与输入具有相同最终维度的过滤器。
假设您有一个形状为 (6, 6, 3) 的输入 X，一个大小为 6×6 的 3 个通道（颜色或其他）的张量。然后用
创建一个二维卷积层conv = Conv2D(2, 3, input_shape=(6, 6, 3))
将创建 2 个大小为 (3, 3, 3)、f1 和 f2 的过滤器。然后将每个过滤器以正确的方式应用于输入看起来像 f1ijk Xijk，其中 i 和 j 对位置的所有相关索引求和，颜色通道 k 对所有值求和，即 1、2 和 3这里。这会为每个过滤器生成大小为 (4, 4, 1) 的输出。两个过滤器一起产生大小为 (4, 4, 2) 的输出。
如果我们像 OP 那样假设，每个 3 通道张量过滤器都只有 (3, 3, 1) 的形状，那么您就会对如何处理它的应用程序感到困惑3 维张量，这可能会导致关心实际操作的人认为过滤器将作为张量产品应用，从而显着提高层的输出维度。