二维卷积神经网络的结构理解

针对这个图，我们对应着卷积的api函数来说：

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

 

如上图：

第一列为一张输入图像， 大小为7*7*3， 即宽高为7*7， 通道数为3

所以inputs的维度就是： [-1, 7, 7, 3] , -1是表示batch的大小可以随意，基于输入决定

 

第二列和第三列为一个卷积层， 对应着参数filter， 它是一个4d的参数， 分别为卷积层的高，宽，图像通道数，卷积核数

宽高很显然是3*3， 就是第二列或者第三列里面的一个红色的矩形的宽高

图像通道数，对应着输入图像的通道数，也就是3，也就是第二列Filter W0或W1中的3*3矩形的个数， 可以看到上面第一列和第二列之间的连线，说明第一列的7*7的矩形个数和第二列的3*3的矩形个数要一致，都是图像的通道数

卷积核数&#x