TensorFlow 的 API 描述了函数 tf.nn.conv2d()，它接受过滤器大小的参数：[filter_height, filter_width, in_channel, out_channel]。因此，如果我使用 mnist 数据集并在显示数字“5”的图像上运行网络，过滤器是否会在 5 的下部圆形碗上进行训练？还是只是在图像的多个部分上进行训练？ conv2d 中的过滤器将如何以及如何训练？
【问题讨论】：
标签： python tensorflow computer-vision conv-neural-network convolution
你应该阅读convolutional layers的基本原理：
每个过滤器在空间上都很小（沿宽度和高度），但会延伸到输入体积的整个深度。例如，ConvNet 第一层上的典型过滤器的大小可能为
5x5x3（即 5 个像素的宽度和高度，以及 3 个像素，因为图像的深度为 3，即颜色通道）。在前向传播过程中，我们在输入体积的宽度和高度上滑动（更准确地说，卷积）每个过滤器，并计算过滤器条目与任意位置的输入之间的点积。当我们在输入体积的宽度和高度上滑动过滤器时，我们将生成一个二维激活图，该图给出了该过滤器在每个空间位置的响应。
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。现在，我们将在每个 CONV 层中拥有一整套过滤器（例如 12 个过滤器），每个过滤器都会产生一个单独的二维激活图。我们将沿深度维度堆叠这些激活图并生成输出体积。
因此，本质上，每个[filter_height, filter_width] 过滤器将匹配输入中相同大小的所有补丁，并为每个补丁生成一个数字。根据stride 和padding 设置，可以跳过或添加一些补丁。在后向传递中，过滤器将为所有这些更新，即，它在整个输入上进行训练。
例如，这里是stride=1 和padding=2 卷积：
【讨论】：