Tensorflow中卷积层的运算

我正在阅读关于TF深度学习的卷积，源代码在这里。我读过卷积层的定义：

       def conv_layer(input, size_in, size_out, name="conv"):
         with tf.name_scope(name):
           w = tf.Variable(tf.truncated_normal([5, 5, size_in, size_out], stddev=0.1), name="W")
           b = tf.Variable(tf.constant(0.1, shape=[size_out]), name="B")
           conv = tf.nn.conv2d(input, w, strides=[1, 1, 1, 1], padding="SAME")
           act = tf.nn.relu(conv + b)
           return tf.nn.max_pool(act, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")

虽然我读了一些相关的文件，但我仍然不完全理解其中每个条目的含义

      [5, 5, size_in, size_out]    

以及以下代码的含义：

      act = tf.nn.relu(conv + b)
      return tf.nn.max_pool()

你能帮我回答这个基本问题吗

---

提前感谢，

我建议您开始阅读官方教程，之后再阅读一些参加官方教程的人的代码，并删除注释和解释

您的

[5,5，size\u in，size\u out]

是传入的变量的形状，通过阅读文档，它是

形状的核张量[滤波器高度、滤波器宽度、输入通道、输出通道]

in_channels是输入图像中的通道数。对于灰度图像，它是1，对于RGB是3。Out_通道是任意数

本守则的意义

act = tf.nn.relu(conv + b)
tf.nn.max_pool()

---

是CNN、relu和maxpooling的标准块。每个定义都有大量的信息。

@Salvador Dali:谢谢你的回答。据我所知，size_out就是out_通道，它是每个卷积层的滤波器数量，所以这取决于我们的选择，对吗？@ChuongNguyen是的。你可以把任何东西放在那里