Keras Conv2D：过滤器与 kernel_size

Posted 2023-02-23

【中文标题】Keras Conv2D：过滤器与 kernel_size

【英文标题】：Keras Conv2D: filters vs kernel_size

【发布时间】：2018-12-13 06:46:41

【问题描述】：

这两者有什么区别？这也有助于在更一般的卷积网络背景下进行解释。

另外，顺便提一下，什么是渠道？换句话说，请为我分解 3 个术语：通道、过滤器和内核。

【参考方案1】：

每个卷积层由几个卷积通道（又名深度或过滤器）组成。在实践中，它们是一个数字，例如64, 128, 256, 512 等。这等于卷积层输出中的通道数。另一方面，kernel_size 是这些卷积滤波器的大小。在实践中，它们采用诸如3x3 或1x1 或5x5 之类的值。简而言之，它们可以写成1 或3 或5，因为它们在实践中大多是方形的。

编辑

下面的引用应该更清楚。

Discussion on vlfeat

假设X 是一个输入，大小为W x H x D x N（其中N 是批次的大小）到网络中包含过滤器F（大小为FW x FH x FD x K）的卷积层。

特征通道的数量D 是此处输入X 的第三维（例如，如果输入包含彩色图像，则在网络的第一个输入处通常为 3）。 过滤器数量K 是F 的第四维。 这两个概念密切相关，因为如果一层中的过滤器数量为K，它会产生具有 K 个特征通道的输出。所以下一层的输入会有K特征通道。

上面的FW x FH 是您要查找的过滤器大小。

已添加

您应该熟悉filters。您可以认为每个过滤器负责从原始图像中提取某种类型的特征。 CNN 尝试学习这样的过滤器，即在 CNN 中参数化的过滤器是在 CNN 训练期间学习的。您将 Conv2D 中的每个过滤器应用于每个输入通道，并将它们组合起来以获得输出通道。所以，过滤器的数量和输出通道的数量是一样的。

【讨论】：

所以通道、过滤器和深度都意味着相同的东西？

只是为了确定，上面的 FW 是一个新变量，它不像 F*W，对吧？

是的，FW 是过滤器的宽度，FH 是过滤器的高度。

所以，在输入中，3个通道的含义很明确，R,G,B值。但是在隐藏值中，有时我们有超过 3 个通道，它们的含义是什么？此外，单个隐藏神经元中的值是否可以包含来自多个输入通道（例如 R 和 B）的值，或者通过卷积过程在输入通道之间没有“混合”？

我在上面修改了过滤器的解释。