Python 层叠卷积层在CNN中是如何工作的？

我很难理解CNN中2个或更多卷积层（每个层后面跟着一个池层）的工作方式

将输入视为3通道300x300图像。如果第一个卷积层有32个卷积，第二个层有64个卷积层，那么第一个层将创建32个要素贴图。但是第二层创建了多少个要素地图？64个卷积中的每个卷积是否作用于先前生成的32个要素图，从而总共创建32*64=2048个要素图？还是发生了别的事情

与该问题相关的一个简单代码是：

model = keras.models.Sequential([
keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(300, 300, 3)),
keras.layers.MaxPooling2D(2, 2),

keras.layers.Conv2D(64, (3, 3), activation='relu'),
keras.layers.MaxPooling2D(2, 2)])

---

第一个卷积层有32个过滤器，但它适用于图像的所有三个通道，因此第一个Conv2D后的特征映射为32x3=96，然后第二个Conv2D的64个过滤器分别适用于96个特征映射中的每个，因此第二个Conv2D后的特征映射为64x96=。。。（填空）。

---

但为了简单起见，Keras只显示（…，32）或（…，64）。您可以使用model.summary（）进行检查。

输入矩阵的通道数和每个过滤器中的通道数必须匹配，才能执行元素相乘。

因此，第一和第二卷积的主要区别在于，第一卷积中输入矩阵中的通道数为3，因此我们将使用32个滤波器，其中每个滤波器有3个通道（内核矩阵的深度）

对于第二次卷积，输入矩阵有32个通道（特征映射），因此此卷积的每个滤波器也必须有32个通道。例如：64个过滤器中的每一个都有32@3x3形状

单个滤波器的卷积步长的结果32@3x3形状为WxH（宽度、高度）形状的单通道。应用所有64个过滤器后（其中每个过滤器都有形状：32@3x3)我们将得到64个通道，其中每个通道是单个滤波器卷积的结果