我正在读一本关于深度学习的书，但我无法理解这部分关于 Conv2D答案

【问题标题】：I was reading a book on Deep learning and I am not able to understand this part about Conv2D我正在读一本关于深度学习的书，但我无法理解这部分关于 Conv2D
【发布时间】：2020-10-10 11:10:38
【问题描述】：

Layer (type) Output Shape Param #
================================================================
conv2d_4 (Conv2D) (None, 26, 26, 32) 320
________________________________________________________________
conv2d_5 (Conv2D) (None, 24, 24, 64) 18496
________________________________________________________________
conv2d_6 (Conv2D) (None, 22, 22, 64) 36928
================================================================
Total params: 55,744
Trainable params: 55,744
Non-trainable params: 0

作者说：

3 × 3 窗口在第三层将只包含来自 7 × 7 窗口的信息初始输入。 convnet 学习到的高级模式仍然非常相对于初始输入而言很小，这可能不足以学习对数字进行分类（尝试通过仅通过以下窗口查看数字来识别数字） 7 × 7 像素！）。我们需要最后一个卷积层的特征来包含有关输入整体的信息。

现在这个 7x7 的窗口是从哪里来的？第一层的窗口不也是 3X3 的吗？我错过了什么？

【问题讨论】：

标签： tensorflow machine-learning deep-learning neural-network conv-neural-network

【解决方案1】：

让我们考虑这个例子：

        model = tf.keras.models.Sequential([
        tf.keras.layers.Conv2D(32, (3, 3), activation='relu',input_shape=(28,28,3)),
        tf.keras.layers.Conv2D(20, (3, 3), activation='relu'),
        tf.keras.layers.Conv2D(10, (3, 3), activation='relu')])

这里是model.summary()的输出：

        Model: "sequential_1"
        _________________________________________________________________
        Layer (type)                Output Shape              Param #   
        =================================================================
        conv2d_3 (Conv2D)           (None, 26, 26, 32)        896       
                                                                        
        conv2d_4 (Conv2D)           (None, 24, 24, 20)        5780      
                                                                        
        conv2d_5 (Conv2D)           (None, 22, 22, 10)        1810      
                                                                        
        =================================================================
        Total params: 8,486
        Trainable params: 8,486
        Non-trainable params: 0
        _________________________________________________________________

要计算输出形状，您可以使用以下公式：

O = (W - K + 2P)/S + 1

其中 O 是输出高度/宽度，W 是输入高度/宽度，K 是过滤器大小，P 是填充，S 是步幅大小。

要计算 conv_layer 的参数编号，您可以使用以下公式：

param_number_for_conv_layer = output_channel_number * (input_channel_number * kernel_height * kernel_width + 1)

请参考this 输出形状中的“无”

【讨论】：