从 tf.layers.conv2d 了解输入/输出张量

Question

我正在尝试了解tf.layers.conv2d 执行的转换。

TensorFlow 网站的 mnist 教程代码包含卷积层：

# Computes 64 features using a 5x5 filter.
# Padding is added to preserve width and height.
# Input Tensor Shape: [batch_size, 14, 14, 32]
# Output Tensor Shape: [batch_size, 14, 14, 64]
conv2 = tf.layers.conv2d(
    inputs=pool1,
    filters=64,
    kernel_size=[5, 5],
    padding="same",
    activation=tf.nn.relu)

但是，我的期望是 32 个输入图像将乘以过滤器的数量，因为每个过滤器都应用于每个图像，从而得到 [batch_sz, 14, 14, 2048] 的输出张量。显然这是错误的，但我不知道为什么。转型如何运作？ API 文档没有告诉我它是如何工作的。如果输入张量是[batch_size, 14, 14, 48]，输出会是什么？

Answer 1

输出大小取决于输入尺寸、过滤器宽度、填充和步幅。您可以评估 conv2（以及任何单独的层），然后打印输出的尺寸以确保它们是您的想法。您不需要仅在最后一层调用 eval，因为 tensorflow 比那更灵活。

Answer 2

我认为您可能对过滤器在这里的工作方式有一个小小的误解。 This introduction 和 this answer 提供了一些详细的解释。我发现介绍中的卷积演示动画非常有助于展示它的工作原理。

这里的关键点是过滤器的工作原理。通常，卷积层有一组 K 过滤器（在您的示例中为 64 个）。对于每个过滤器，实际形状为kernel_size + depth_of_input（在您的示例中为 5x5x32）。这意味着一个过滤器将同时查看/应用于 32 个通道/图像并给出一个结论/computed_feature。因此，输出的depth/num_of_features 等于您的filters 参数，而不是input_depth*filters。请查看this code 了解用于计算的真实和最终内核。

因此，要回答您的最后一个问题，[batch_size, 14, 14, 32] 或 [batch_size, 14, 14, 48] 的输出将始终为您的设置的 [batch_size, 14, 14, 64]。