卷积核的理解

0.注意

1. 内容不同的卷积核就是不同的特征提取器。
2. tf.Conv2D()中的第一个参数filiter指的是输出卷积特征层维度大小，数据输出想升维降维都从此处控制。千万注意：该参数与卷积核通道数无关。
3. 卷积核的通道数（深度）自动与输入数据通道数相等。（例：红圈处的特征层为128，则作用在此特征层的卷积核深度也为128。）
   

1.在程序中如何起作用

卷积核的值可以看成全连接层的w1，w2。。。。利用反向传播将其推算出。

例1：输入为多通道

条件：输入的channel为16，但此时要输出一个channel为15的数据。
操作：在tf.Conv2D()中设置第一个参数为15。
系统运行时：卷积核16个channel的值变换15次，每次变换后卷积核16个通道为各自对应的通道进行卷积，最后将这16个通道的结果矩阵做加法再加上bias输出1个通道的卷积特征层，变换15次输出15个通道的卷积特征层。

例2：输入为单通道

在输入图像通道为1时，假设我们在tf.Conv2D()要求它输出一个16channel的卷积特征层。此时系统提供的是一个1通道的卷积核，在程序运行中一个1通道卷积核的内容变换了16次，每变换一次内容输出一个通道的卷积特征层（内容不同的卷积核就是不同的特征提取器）从而保证输出16个channel卷积特征层。