Tensorflow 为什么使用2x2滤波器对5x5图像进行卷积会在TF MNIST中产生32个特征？_Tensorflow

Tensorflow 为什么使用2x2滤波器对5x5图像进行卷积会在TF MNIST中产生32个特征？

tensorflow

Tensorflow 为什么使用2x2滤波器对5x5图像进行卷积会在TF MNIST中产生32个特征？,tensorflow,Tensorflow,我不明白为什么在一个5x5补丁和一个2x2过滤器的卷积中会产生32个特性卷积每次移位1，所以它应该产生6*6=36个特征，而不是32个。有什么我遗漏的吗？32是一个超参数：定义网络后，您可以选择从输入中提取多少功能使用28x28x1输入，您可以选择学习32个卷积滤波器。学习卷积滤波器提取单个特征 W_conv1 = weight_variable([5, 5, 1, 32]) 。。。是一组32个过滤器的定义，每个过滤器的大小为5x5x1，网络将在培训阶段后学习你可以改变卷积滤波器的数量

我不明白为什么在一个5x5补丁和一个2x2过滤器的卷积中会产生32个特性

卷积每次移位1，所以它应该产生6*6=36个特征，而不是32个。有什么我遗漏的吗？

32是一个超参数：定义网络后，您可以选择从输入中提取多少功能

使用28x28x1输入，您可以选择学习32个卷积滤波器。学习卷积滤波器提取单个特征

W_conv1 = weight_variable([5, 5, 1, 32])

。。。是一组32个过滤器的定义，每个过滤器的大小为5x5x1，网络将在培训阶段后学习

你可以改变卷积滤波器的数量来学习，因为它是一个超参数，所以完全是任意的

例如，您可以选择从第一个卷积层提取64个特征，方法是按以下方式更改前一行：

W_conv1 = weight_variable([5, 5, 1, 64])
b_conv1 = bias_variable([64]) #change biases as well

但是您必须在下面的层中跟踪此更改

在本教程中，您可以找到另一组卷积滤波器的定义：

W_conv2 = weight_variable([5, 5, 32, 64])

这是一组64个卷积滤波器的定义，每个滤波器的大小为5x5x32

如果更改第一层以提取64个要素，则必须相应更改此层：

    W_conv2 = weight_variable([5, 5, 64, 64])

这意味着64个提取的特征中的每一个都与另外64个特征相结合：抽象性增加

第一层提取简单特征（边、线等），其他层结合提取的特征形成更复杂的特征

卷积每次移位1，所以它应该产生6*6=36个特征，而不是32个

“移位”（称为跨步，

）是执行二维卷积时要跳转的像素数

如果输入端为28 px，则与第5端（一组）滤波器的卷积输出为

（28-5+2P）/s=1+1=24

由于卷积op的padding参数=相同，因此计算

的值，以产生与输入大小相同的输出，因此为28

你的6*6没有意义

长话短说：

不要将提取的特征数量（超参数）与激活图的大小混淆。激活映射是输入和学习的卷积滤波器（也称为内核）之间卷积的结果。

32是一个超参数：定义网络后，选择从输入中提取多少特征