Tensorflow 在CNN中使用图像时，尺寸意味着什么？

请通读下面的代码。图像大小为（32、256、256、6）。我认为没有必要知道什么是网络，它做什么。我的问题纯粹是分析性的

      net = slim.conv2d(input_images, 64, [5, 5], stride=1, scope='conv1') 
      net = slim.max_pool2d(net, [2, 2], scope='pool1') # image size is (batch_size, 256 , 256 , 6)

      net = slim.conv2d(net, 128, [5, 5], stride=1, scope='conv2')
      net = slim.max_pool2d(net, [2, 2], scope='pool2')

      net = slim.conv2d(net, 256, [3, 3], stride=1, scope='conv3')
      net = slim.max_pool2d(net, [2, 2], scope='pool3')

      net = tf.image.resize_bilinear(net, [64,64])
      net = slim.conv2d(net, 256, [3, 3], stride=1, scope='conv4')
      
      net = tf.image.resize_bilinear(net, [128,128])
      net = slim.conv2d(net, 128, [3, 3], stride=1, scope='conv5')

      net = tf.image.resize_bilinear(net, [256,256]) #(32 , 256 , 256 , 3)

      
      net = slim.conv2d(net, 64, [5, 5], stride=1, scope='conv6')

net = slim.conv2d(net, 3, [5, 5], stride=1, activation_fn=tf.tanh,
normalizer_fn=None, scope='conv7') #  32*248*248*3

根据我的说法，网络的尺寸是（322482483）。但显然，根据这篇论文，它应该是（32，256，256，3）

问题1）我哪里出错了

问题2）在slim.conv2d中，64和[5,5]到底是什么？我认为它们是过滤器的数量，5*5是内核的维度。但既然我得到了错误的维度，我在这里也错了吗

问题3）当你说（32256256,3）时，是否意味着有32个样本，256*256是像素强度，3是通道数

问题4）我知道这可能很难回答，但有人能告诉我，需要先减小尺寸，然后再增大尺寸吗？非常感谢与该概念的链接

我认为您之所以使用[322482483]，而不是您想要的[32256，256，3]，是因为填充。简单地说，当你进行卷积运算时，卷积窗口a.k.a.内核并不一定完全适合图像，因此图像的外部填充了零以使其适合。根据您的代码，填充未指定，因此，请尝试将padding='same'添加到conv2d层中

关于64和[5,5]的含义，您在这里是正确的。过滤器的数量与此无关。如果我在（1）中的回答是正确的，内核与您正在经历的维度差距有关，尽管不是原因。但是，理想情况下，您应该能够将其设置为3、5或任何值，而不会出现问题。参见第（1）节

正如你所说，32对应于样本。换句话说，就是批量大小。图像大小本身为256 x 256像素（高度和宽度）。3个通道对应于每个像素的红色、蓝色和绿色强度。如果图像为灰度，则只有一个通道。在Tensorflow中，约定为（N，H，W，C），表示样本数量、高度、宽度和通道。请注意，通道在输入和输出时通常为3，但它在隐藏层中会根据您使用的过滤器数量而变化

减少然后增加图像的高度和宽度对于某些任务是有好处的，比如图像分割，在这里你可以减少图像中的信息。我们称网络的前半部分为编码阶段，后半部分为解码阶段。我认为它在前半部分通过缩小图像尺寸来消除不必要的信息，然后在后半部分将其恢复到原始大小。不过这只是我的解释。一个著名的模型就是U-net