多个输入通道上的 2D 卷积使用多少个内核？

【问题标题】：How many kernels are used for 2D convolution on multiple input channels?多个输入通道上的 2D 卷积使用多少个内核？
【发布时间】：2021-11-08 20:44:03
【问题描述】：

我了解内核是如何与卷积运算相关的。我对每个操作中使用了多少内核感到困惑。假设输入图像为 256x256x3，我将其通过 32 个输出通道的 2D 卷积层。每个输出通道是通过在所有 3 个输入通道上卷积相同的内核还是通过在 3 个输入通道中的每一个上卷积不同的内核来创建的？换句话说，这个操作是使用 96 个还是 32 个不同的内核来产生 32 个通道？

i = Input(shape=(256,256,3))
x = Conv2D(filters=32,kernel_size=(3,3),padding='same',activation='relu') (i)

【问题讨论】：

标签： python keras deep-learning neural-network conv-neural-network

【解决方案1】：

通过将内核与整个输入进行卷积来创建输出通道。

但请注意，尽管您将内核大小设置为 3x3，但实际内核不是 2D 而是 3D，例如 3*3*c，其中 c 是输入通道数。

换句话说，每个内核都有c 2D 过滤器，每个过滤器都应用于其相应的通道，获得c 值（每个输入通道一个），这些值相加得到一个单一的值的输出通道。所以它们是 32 个内核，但如果你想说它们实际上是 96 个 2D 过滤器，你并没有错，因为内核中的 2D 过滤器是相互独立的。

请参阅 Andrew NJ 的 video 以获得更好的解释。

【讨论】：