Python 理解keras中conv2d层的输出形状

我不明白为什么通道尺寸不包括在Keras中conv2D层的输出尺寸中

我有下面的型号

def create_model():
    image = Input(shape=(128,128,3))

    x = Conv2D(24, kernel_size=(8,8), strides=(2,2), activation='relu', name='conv_1')(image)
    x = Conv2D(24, kernel_size=(8,8), strides=(2,2), activation='relu', name='conv_2')(x)
    x = Conv2D(24, kernel_size=(8,8), strides=(2,2), activation='relu', name='conv_3')(x)
    flatten = Flatten(name='flatten')(x)

    output = Dense(1, activation='relu', name='output')(flatten)
    model = Model(input=image, output=output)
    return model

model = create_model()
model.summary()

我的问题末尾给出了模型摘要。输入层获取宽度为128、高度为128的RGB图像。第一个conv2D层告诉我输出维度是（None，61，61，24）。我使用的内核大小是（8，8），跨步是（2，2），没有填充。值61=floor（（128-8+2*0）/2+1）和24（内核/过滤器的数量）是有意义的但是为什么不同通道的尺寸没有包含在尺寸中？据我所知，每个通道上24个过滤器的参数都包含在参数的数量中所以我希望输出维度是（None，61，61，24，3）或（None，61，61，24*3）。这只是Keras中一个奇怪的符号，还是我对其他东西感到困惑？

---

我猜你误解了卷积层的定义

我对卷积层的形状的表示法是

（out\u channels，in\u channels，k，k）

，其中

k

是内核的大小。

out\u通道

是滤波器的数量（即卷积神经元）。考虑以下图像：

图片中的三维卷积核权重在

A_{i-1}

（即输入图像）的不同数据窗口中滑动。形状

（在_通道中，k，k）

的图像的3D数据块与匹配维度的单个3D卷积核配对。有多少这样的3d内核？作为输出通道数

输出通道数

。内核采用的深度维度是

A{i-1}

的

通道中的
。因此，
A{i-1}
的
in_通道
维度被深度方向的点积收缩，该点积与
out_通道
通道建立输出张量。滑动窗口的精确构造方式由采样元组（
kernel\u size，stride，padding）
定义，并产生输出张量，其空间维度由正确应用的公式确定

如果您想了解更多信息，包括反向传播和实现，请参阅本文。
您使用的公式是正确的。这可能有点令人困惑，因为许多流行教程使用的过滤器数量等于图像中通道的数量。TensorFlow/Keras实现通过计算
num\u input\u channels*num\u output\u channels
大小
的中间特征映射（kernel\u size[0]，kernel\u size[1]）
。因此，对于每个输入通道，它产生
num\u output\u channels
特征映射，然后将其相乘并连接在一起，以创建
的输出形状（内核大小[0]，内核大小[1]，num\u output\u channels）
希望这澄清Vlad的详细答案每个卷积滤波器（8 x 8）都连接到一个（8 x 8）图像所有通道的感受野。这就是为什么我们有（61，61，24）作为第二层的输出。不同的信道隐式编码到24个滤波器的权重中。这意味着，每个过滤器没有8 x 8=64个权重，而是8 x 8 x通道数=8 x 8 x 3=192个权重

看到这个了吗

左：红色输入音量示例（例如32x32x3 CIFAR-10图像），
以及第一卷积层神经元的示例体积。
卷积层中的每个神经元仅与局部神经元相连
在空间上输入体积中的区域，但达到整个深度（即全部
颜色通道）。注意，有多个神经元（本例中为5个）
沿深度，所有人都在输入中查看同一区域-请参见
在下文中讨论深度列。右：来自大脑的神经元
神经网络章节保持不变：他们仍然计算一个点
其重量与输入的乘积，然后是非线性，
但它们的连通性现在仅限于局部空间

这个问题在互联网上以各种形式被问到，答案很简单，但经常被遗漏或混淆：

简单回答：
给定多通道输入（例如彩色图像），Keras Conv2D层将在所有彩色通道上应用滤波器，并对结果进行求和，产生相当于单色卷积输出图像的结果

例如，来自：

（1） 您正在使用CIFAR图像数据集进行训练，该数据集由32x32彩色图像组成，即每个图像都是形状（32,32,3）（RGB=3个通道）

（2） 网络的第一层是Conv2D层，包含32个过滤器，每个过滤器指定为3x3，因此：

Conv2D（32，（3,3），padding='same'，input_shape=（32,32,3））

（3） 与直觉相反，Keras将每个过滤器配置为（3,3,3），即覆盖3x3像素和所有颜色通道的3D体积。作为次要细节，根据正常的神经网络层算法，每个滤波器都有一个偏差值的附加权重

（4） 卷积过程与正常过程完全相同，除了输入图像的3x3x3体积在每一步用3x3x3滤波器卷积，并且在每一步产生单个（单色）输出值（即，像像素一样）

（5） 结果是（32,32,3）图像上指定（3,3）滤波器的Keras Conv2D卷积产生（32,32）结果，因为实际使用的滤波器是（3,3,3）

（6） 在本例中，我们还在Conv2D层中指定了32个过滤器，因此每个输入图像的实际输出为（32,32,32）（即，您可能认为这是32个图像，每个过滤器一个，每个32x32单色像素）

作为检查，您可以查看model.summary（）生成的层的权重计数（Param#）：

那儿
Layer (type)         Output shape       Param#
conv2d_1 (Conv2D)   (None, 32, 32, 32)  896