理解 tensorflow mnist 教程中使用的训练层和过滤器术语

Question

我一直在研究 tensorflow.org 的 this example 以了解这些层。

我在研究卷积层时遇到的一个问题是，我似乎无法弄清楚过滤器的数量如何在卷积层中发挥作用。例如，请参见下面的代码行使用 32 个过滤器。

conv1 = tf.layers.conv2d(
    inputs=input_layer,
    filters=32,
    kernel_size=[5, 5],
    padding="same",
    activation=tf.nn.relu)

我可以看到它产生了 32 个通道张量作为输出，但我无法弄清楚 32 个滤波器在模型中到底在做什么。是不是该模型尝试了 32 次随机迭代以得出 32 个不同输入表示的通道张量？我不这么认为。我唯一能想象的是它的训练迭代完成了 32 次或类似的事情，但不确定。查看卷积层的张量板图并不能清楚地了解过滤器的流程。

在拍摄快照时，我遇到了 32 个权重和偏差，所以我认为就是这样。是32个权重和偏差吗？在这种情况下，任何人都可以通过更轻松的一个基础计算场景，我认为我无法通过 tensorboard。

谢谢

Answer 1

我建议您阅读 http://cs231n.github.io/convolutional-networks/ 以深入了解 CNN 中各个组件的基本功能。 直接从那里引用：-

直观地说，网络将学习过滤器，当他们看到某种类型的视觉特征时激活过滤器，例如第一层上某个方向的边缘或某种颜色的斑点，或者最终在更高层上出现整个蜂窝或轮状图案的网络。

阅读肯定会有所帮助。