CNN中卷积池化层tensorflow内置函数参数的实际含义及作用

前段时间亲手搭建了CNN模型，使用tensorflow的许多内置函数时其中的参数数值都是借鉴别人的配置，对其中道理并不了解。昨天和mentor sync的时候真的觉得好惭愧，知其然不知其所以然一问就尴尬==这篇文章总结一下这些参数的含义和设置吧~

1. 卷积层和input的channel

在CNN中，想搞清楚每一层的传递关系，主要就是 height,width 和 channels 的变化情况。

首先看内置函数conv2d（卷积层）

其中input是输入， filter是卷积核

input : [batch, in_height, in_width, in_channels] ， 
filter : [filter_height, filter_width, in_channels, out_channels] 

因为进行计算的时候是卷积核和input的部分tensor进行卷积，所以input.in_channel === filter.in_channels。看一下图示：

假设现有一个为 6×6×3 的图片样本，使用 3×3×3 的卷积核（filter）进行卷积操作。此时输入图片的 channels 为 3（stride=1） ，而卷积核中的 in_channels 与 需要进行卷积操作的数据的 channels 一致（这里就是图片样本，为3）。卷积操作，卷积核中的27个数字与分别与样本对应相乘后，再进行求和，得到第一个结果。依次进行，最终得到 4×4 的结果。步骤完成后，由于只有一个卷积核，所以最终得到的结果为 4×4×1 ， out_channels 为 1。所以out.channel就是卷积核的数量，一般都会使用不止一个卷积核（我的理解是分别投影到不同的空间，可以防止单核的过拟合，下面讲feature map的作用会分析）。

图一

图二

总结一下，把上面提到的 channels 分为三种：

• 最初输入的图片样本的 channels ，取决于图片类型，比如RGB；
• 卷积操作完成后输出的 out_channels ，取决于卷积核的数量。此时的 out_channels 也会作为下一次卷积时的卷积核的 in_channels；
• 卷积核中的 in_channels ，刚刚2中已经说了，就是上一次卷积的 out_channels ，如果是第一次做卷积，就是1中样本图片的 channels 。
• 最后，对于输入样本，一般的RGB图片，channels数量是 3 （红、绿、蓝）；而monochrome图片，channels 数量是 1 。

2. filter, feature map以及如何实现权值共享

CNN之所以适合进行图像处理原因之一是它解决了传统NN的指数爆炸权重的计算问题，解决方式就是在同一个featur e马屁中可以权重共享。所谓的feature map,就是同一个卷积核和input卷积的结果。如图二只有一个卷积核，最后卷积的4*4matrix就是一个feature map,  feature map的每个点都是一个神经元的输出。所以 神经元个数 = 特征图大小。

CNN权值共享就是同一个Feature Map中神经元权值共享，该Feature Map中的所有神经元使用同一个权值。这与全连接相比，参数减少太多了（整个图像的矩阵大小到卷积核的矩阵大小）

featur