Keras 层文档指定了卷积层的输入和输出大小：https://keras.io/layers/卷积/ https://keras.io/layers/convolutional/
输入形状：(samples, channels, rows, cols)
输出形状：(samples, filters, new_rows, new_cols)
内核大小是一个空间参数，即仅确定宽度和高度。
所以输入c通道将产生一个输出filters渠道无论价值c。因此，它必须应用具有空间的 2D 卷积height x width过滤，然后以某种方式聚合每个学习过滤器的结果。
这个聚合运算符是什么？是跨渠道的总和吗？我能控制吗？我在 Keras 文档中找不到任何信息。
- 请注意，在 TensorFlow 中，过滤器也在深度通道中指定：https://www.tensorflow.org/api_guides/python/nn#Convolution https://www.tensorflow.org/api_guides/python/nn#Convolution,
所以深度操作就一目了然了。
Thanks.
它的名字可能会令人困惑Conv2D层（对我来说，这就是我来寻找这个答案的原因），因为正如 Nilesh Birari 评论的那样：
我猜你错过了它的 3D 内核 [宽度、高度、深度]。所以结果是跨渠道的求和。
或许是2D源于这样一个事实：内核仅slides沿着二维，第三维是固定的，由输入通道的数量（输入深度）决定。
如需更详细的解释，请阅读https://petewarden.com/2015/04/20/why-gemm-is-at-the-heart-of-deep-learning/ https://petewarden.com/2015/04/20/why-gemm-is-at-the-heart-of-deep-learning/
我从那里摘了一张说明性图片：
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
