Neural network 对于前一层的每个通道，一个卷积滤波器总是有不同的系数吗？

例如，我们有3个通道（红色、绿色、蓝色）的RGB图像。我们使用卷积神经网络

对于图像的每个通道（R、G、B），每个卷积滤波器是否总是有3个不同的系数

如下图所示，过滤器-W1是否有3个不同的系数矩阵：

W1[：：0]、W1[：：1]、W1[：：2]

或者在现代神经网络中，经常在一个滤波器中使用相同的系数（

W1[：：0]=W1[：：1]=W1[：：2]

）

链接拍摄：

---

此外：

卷积层

沿深度轴的连接范围始终等于 输入卷的深度。再次强调这一点很重要 我们如何处理空间维度（宽度和高度）的不对称性 深度维度：连接在空间中是局部的（沿 宽度和高度），但始终沿着输入的整个深度 音量

---

这里表示的是第一个隐藏层（这里是卷积层）。每个过滤器都有3个通道，因为您的输入（对于该层，您的图像）有3个通道（RGB）。生成两个连接的要素贴图（这解释了（3x3）x2大小的输出体积）

更一般地说，对于一个输入（为了简单地考虑一个大小为1）的大小（1x）WXHXC，每个过滤器都有一个NxNxC的大小（为了简单起见，我们考虑1的步长和一个‘相同’的填充，即使对于你的例子来说它是一个‘有效’填充物”，所以对于F过滤器，YOUT输出将有一个（1x）WXHXF的大小。

希望它足够清晰（例如W=H=7、C=3、N=3和F=2）

---

如果不够清楚，请随时发表评论：）

谢谢！那些在卷积网络的标准经典使用中，滤波器的大小始终为NƏNƏC（在我的例子中为3x3x3）。你能解释一下，什么是“相同”填充和“有效”填充，它们有什么不同吗？相同的填充是当你用一个值填充你的输入时（在大多数情况下，人们做零填充），这样你甚至可以在边上应用卷积。因此，使用“相同”填充，最终输出的大小为WxHxF（空间维度的输入大小相同），如果使用“有效”填充，则意味着不使用零填充（因此不能处理边缘上的像素），因此最终输出的大小为W-（N-1）xH-（N-1）xF。请看这段视频（特别是从2:45开始的填充说明）：