Tensorflow conv2D函数如何更改输入层

在使用Tensorflow编码的ResNet32网络中，输入大小为32 x 32 x 3，输出 图层为32 x 32 x 32。为什么使用32通道

tf.contrib.layers.conv2d(
    inputs,
    **num_outputs**,  /// how to determine the number of channel to be used in my layer?
    kernel_size,
    stride=1,
    padding='SAME',
    data_format=None,
    rate=1,
    activation_fn=tf.nn.relu,
    normalizer_fn=None,
    normalizer_params=None,
    weights_initializer=initializers.xavier_initializer(),
    weights_regularizer=None,
    biases_initializer=tf.zeros_initializer(),
    biases_regularizer=None,
    reuse=None,
    variables_collections=None,
    outputs_collections=None,
    trainable=True,
    scope=None
)

---

首先感谢，

输入中的

3

是表示输入图像是RGB（彩色图像），也称为彩色通道的数字，如果它是黑白图像，那么它应该是

1（单色图像）

此输出中的
32
表示您正在使用的神经元数量\功能数量\通道数量，因此基本上您用3种颜色和32个通道来表示图像。
这有助于学习更复杂和不同的图像特征集。例如，它可以使网络更好地学习边缘。
通过指定
stride=2
可以减小输入张量的空间大小，使输出张量的高度和宽度成为该输入张量的一半。这意味着，如果您的输入张量形状是
（批次，32，32，3）
（3是RGB通道）到一个卷积层，该卷积层具有32个内核/过滤器，且
stride=2
，则输出张量的形状将是
（批次，16，16，32）
。或者，池也被广泛用于减少输出张量大小

通过叠加conv层学习层次表示的能力被认为是CNN成功的关键。在CNN中，随着我们深入，张量的空间大小减小，而通道数量增加，这有助于处理复杂目标对象外观的变化。这种空间大小的减少大大减少了所需的算术运算次数和计算时间，目的是提取有助于最终输出/决策的显著特征。但是，找到滤波器/内核/输出通道的最佳数量非常耗时，因此，人们遵循已验证的早期体系结构，例如VGG。
谢谢您的回答，这样中间表示（层的输出）比输入图像大得多，我想做的是使其更小，我如何更改定义所用通道数的此参数，以及这是否会影响我网络的准确性，提前感谢。为了压缩图像，您需要使用
TransposedConvolution
，已定义。感谢Rishabh，我将检查它。