了解tensorflow mnist教程中使用的培训层和过滤器术语

我一直在tensorflow.org上工作，以了解图层

我在研究卷积层时遇到的一个问题是，我似乎无法找出滤波器的数量在卷积层中是如何起作用的。请参见下面的示例，代码行使用32个过滤器

conv1 = tf.layers.conv2d(
    inputs=input_layer,
    filters=32,
    kernel_size=[5, 5],
    padding="same",
    activation=tf.nn.relu)

我可以看到，它产生32通道张量作为输出，但我不能弄清楚32个过滤器在模型中到底做了什么。是不是该模型尝试了32次随机迭代，得到了不同输入表示形式的32通道张量？我不这么认为。我能想象的唯一一件事是，它的训练迭代进行了32次或类似的事情，但不确定它。查看卷积层的张力板图并不能清楚地了解过滤器的流程

在拍摄快照时，我遇到了32个重量和偏差，所以我想就是这样。是32个权重和偏差吗？在这种情况下，任何人都可以通过更轻的一个基本的计算场景，我想我不能通过张力板

谢谢

我建议您阅读一篇文章，深入了解CNN中各种组件的基本功能。 直接从那里报价：

直观地说，网络将学习当他们看到某些类型的视觉特征时激活的过滤器，例如第一层上的某个方向的边缘或某个颜色的斑点，或者最终在网络的更高层上看到整个蜂窝状或轮状图案

---

阅读一下肯定会有帮助。

谢谢Naman的回答。我曾经遇到过上面的链接，但从未深入研究过，但我会的，我知道这会有所帮助。但我的一些疑问是，在tensorflow中编码的卷积层内部是如何表示的，例如在所讨论的图形图像中，如果你看到卷积层图形中有两个微小的图形，一个是conv2D，另一个是relu，那么像往常一样，relu也会做它应该做的事情，而不是conv2D的用途？在张量图中，有一些关于输入和输出的信息，但不够清楚。我认为它所做的一切都是训练