如何理解 Keras Conv2D 层的第一个参数？答案

【问题标题】：How to understand the first argument of the Keras Conv2D layer?如何理解 Keras Conv2D 层的第一个参数？
【发布时间】：2020-09-08 18:39:09
【问题描述】：

我正在遵循TensorFlow 2 quickstart for experts 指南并试图理解创建Conv2D 实例的第一个论点。

filters: Integer, the dimensionality of the output space
    (i.e. the number of output filters in the convolution).

由于指南对batch 大小和filters 使用相同的32，选择32 是否有特定原因，这两个参数是否应该始终相互匹配？

相关代码：

train_ds = tf.data.Dataset.from_tensor_slices(
    (x_train, y_train)).shuffle(10000).batch(32)

... ...

self.conv1 = Conv2D(32, 3, activation='relu')

【问题讨论】：

标签： python tensorflow keras conv-neural-network

【解决方案1】：

What is batch size in neural network?
What is the number of filter in CNN?

总结：
批量大小定义将通过网络传播的样本数量。

过滤器的数量是神经元的数量，因为每个神经元对层的输入执行不同的卷积（更准确地说，神经元的输入权重形成卷积核）。

因此，这些参数不必相同。

【讨论】：

【解决方案2】：

一般来说，人们倾向于对神经网络中的不同超参数使用 2 的幂。没有明确证明它更有效，但有一些思想流派指出它是最有效的方法。就过滤器的数量而言，过滤器旨在检测特征。如果添加更多过滤器，它应该能够捕获更复杂的特征，无论是视觉的还是物理的。增加每一层中过滤器数量的缺点是增加了与之相关的参数。这会使您的模型占用更多内存，并且由于要更新的参数更多，因此训练时间会更长。

【讨论】：