Python 第二个卷积层参数的数量是否正确？

对于MNIST数据问题，我有一个简单的CNN

cnn_model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(filters=24, kernel_size=(3,3), activation='relu'), 
    tf.keras.layers.Conv2D(filters=36, kernel_size=(3,3), activation='relu'),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation=tf.nn.relu),
    tf.keras.layers.Dense(10, activation='softmax')
])

这就是总结的样子：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_12 (Conv2D)           (None, 26, 26, 24)        240       
_________________________________________________________________
conv2d_13 (Conv2D)           (None, 24, 24, 36)        7812      
_________________________________________________________________
flatten_13 (Flatten)         (None, 20736)             0         
_________________________________________________________________
dense_26 (Dense)             (None, 128)               2654336   
_________________________________________________________________
dense_27 (Dense)             (None, 10)                1290      
=================================================================
Total params: 2,663,678
Trainable params: 2,663,678
Non-trainable params: 0
_________________________________________________________________

为了问题的简单性，我跳过了问题中的池层

第一个卷积层有240个易于计算的参数：（核大小+偏差）*滤波器数量：（3*3+1）*24。 请解释为什么第二个卷积层有7812个参数（36*217）

展平层的大小为20736。这是前一层的36个过滤器产生的像素数：24*24*36

---

但是，我们如何从上一层的24幅图像中通过36个过滤器获得36幅图像呢？展平层的大小不应该是36*24*24*24，这是上一层的过滤器数量*上一层位图的大小*第一个卷积层的过滤器数量？

卷积层的参数数量是

(filter_height * filter_width * in_channels * out_channels) + out_channels

对你来说，那是

(3 * 3 * 24 * 36) + 36 = 7,812

这种卷积的输出形状是

(n_samples, remaining_height, remaining_width, n_filters)

---

谢谢这解释了很多。你能回答第二个问题吗？我不知道位图是什么：）我指的是单个过滤器的图像输出。这两个卷积层不产生24*36个图像吗？第二层中的每个过滤器产生24个图像，然后将所有图像相加为一个特征图。我说得对吗？每个过滤器都会将图像转换为一个通道，并连接到该轴上。第二层是36