Tensorflow 凯拉斯：改变步幅并不意味着'；t似乎正在更改conv2d/conv3d中的参数数量

这里我可能遗漏了一些简单的东西，但是当我改变卷积层中的跨步数时，我并没有得到要适应的参数数量的相应变化。考虑这些：

from keras import layers as L
x=L.Conv2D(filters=32, kernel_size=(3,3), strides=(1,1),padding='valid')(input)
y=L.Conv2D(filters=32, kernel_size=(3,3), strides=(2,2),padding='valid')(input)
z=L.Conv2D(filters=32, kernel_size=(3,3), strides=(3,3),padding='valid')(input)

我认为（3,3）的跨步将在每个维度中设置的过滤器数量减少3倍，因此相应地，需要拟合的参数数量也会减少。但事实并非如此

---

如果我的输入层有大小（none，63143，32）——我给它输入一个conv3d的压缩输出——那么卷积的参数数总是9248，不管步幅如何。所以…我遗漏了什么？

卷积滤波器从不依赖于图像的大小、填充、步幅等

它们只依赖于

内核大小

和

过滤器

它们的形状是：

（内核大小[0]，内核大小[1]，输入过滤器，输出过滤器）

---

我建议您阅读这篇文章，其中解释了很多关于滑动图像的卷积，尽管它们并不代表图像中的输入通道。

卷积过滤器从不依赖于图像的大小、填充、步幅等

它们只依赖于

内核大小

和

过滤器

它们的形状是：

（内核大小[0]，内核大小[1]，输入过滤器，输出过滤器）

---

我建议您阅读这篇文章，它解释了很多关于滑动图像的卷积，尽管它们并不代表图像中的输入通道。

这很有道理。我错过了这一微妙之处，感到十分恼火。谢谢这很有道理。我错过了这一微妙之处，感到十分恼火。谢谢CNN中的参数数量无需输入、焊盘和跨步。它们只影响输出的形状。这里有3 X 3内核，深度=32。每个图层也有32个要素贴图。因此，一个图层的参数总数为（3x3x32）x32+32=9248（添加是针对偏差。您有32个内核，因此有32种不同的偏差。CNN中的参数数量不受输入、焊盘和跨步的影响。它们只影响输出的形状。这里有3 X 3内核，深度=32。每个层也有32个特征映射。因此，一个层的参数总数为（3 X 3 X 32）x32+32=9248（加法用于偏置。您有32个内核，因此有32个不同的偏置。