【575】连续卷积层（神经网络中的通道 channel）

参考：CNN中的多通道卷积（RGB等）

参考：【CNN】理解卷积神经网络中的通道 channel

---

　　对于连续的卷积层，filter 的维度是跟输入图像的维度一致

?

1 2 3 4 5 6

model = Sequential([     Conv2D(8, 3, input_shape=(28, 28, 1), use_bias=False),     Conv2D(16, 3, use_bias=False) ])   model.summary()

　　输出

?

1 2 3 4 5 6 7 8 9 10 11 12

Model: "sequential_1" _________________________________________________________________ Layer (type)                 Output Shape              Param #   ================================================================= conv2d_3 (Conv2D)            (None, 26, 26, 8)         72        _________________________________________________________________ conv2d_4 (Conv2D)            (None, 24, 24, 16)        1152      ================================================================= Total params: 1,224 Trainable params: 1,224 Non-trainable params: 0 _________________________________________________________________

　　其中：

• 第一层的filter为 3x3x1x8=72（原始数据是 28x28x1，得到数据 26x26x8）

• 第二层的filter为 3x3x8x16=1152（上一个数据是 26x26x8，得到数据 24x24x16）

• 在计算卷积的时候，将前面的多层分别卷积求和，然后通过激活函数得到一个新的像素值

扩展：

　　对于多通道输入数据也是类似的，将多通道数据看成卷积后的多层，计算后面卷积的时候，分别进行卷积运算，然后求和，最后进行激活函数。

　　黄色的 3个 filter，实际上就是一个，分别做卷积再相加，然后得到一个像素值 

 

 

　　

　　

　　如果是两个 filter，需要按照如下的设置，黄色的和橙色的