卷积层 - 可训练的权重 TensorFlow2

Question

我正在使用 TF2.5 和 Python3.8，其中 conv 层定义为：

Conv2D(
    filters = 64, kernel_size = (3, 3),
    activation='relu', kernel_initializer = tf.initializers.GlorotNormal(),
    strides = (1, 1), padding = 'same',
)

使用一批 60 个 CIFAR-10 数据集作为输入：

x.shape
# TensorShape([60, 32, 32, 3])

该层的输出体积保留了空间宽度和高度（32、32），并有 64 个过滤器/内核映射作为批处理应用于 60 个图像-

conv1(x).shape
# TensorShape([60, 32, 32, 64])

我理解这个输出。

你能解释一下输出：

conv1.trainable_weights[0].shape
# TensorShape([3, 3, 3, 64])

Answer 1

这是用于计算卷积层中可训练参数数量的公式 = [{(m x n x d) + 1} x k]

在哪里， m -> 过滤器的宽度； n -> 过滤器的高度； d -> 输入音量中的通道数； k -> 当前层中应用的过滤器数量。

添加 1 作为每个过滤器的偏差。但在 TF2.X 的情况下，对于 conv 层，偏置项设置为 False。因此，它不会出现在公式中。