结论:卷积的深度(通道数)和卷积核的个数一致
一个卷积核得到的特征提取是不充分的,我们可以添加多个卷积核。
2、多通道多个卷积核卷积计算:
图片的宽高分别用W,H来表示,图片的通道数为D,一般目前都用RGB三通道D=3,为了通用型,通道数用D表示;
卷积核:卷积核大小为k*k,由于处理的图片是D通道的,因此卷积核其实也就是k*k*D大小的,因此对于RGB三通道图像,在指定kernel_size的前提下,真正的卷积核大小是kernel_size*kernel_size*3
对于D通道图像的各通道而言,是在每个通道上分别与其对应通道的二维卷积核进行卷积,然后将D个通道加起来,得到该位置的二维卷积输出,对于RGB三通道图像而言,就是在R,G,B三个通道上分别使用对应的每个通道上的kernel_size*kernel_size大小的核去卷积每个通道上的W×H图像,然后将三个通道卷积得出的输出相加,得到二维卷积输出结果,因此,若有M个卷积核,可以得到M个二维卷积输出结果,在有padding情况下,能保持输出图片和原来一样,因此output的维度是(W,H,M)
tf.nn.conv2d(
input,
filter,
strides,
padding,
use_cudnn_on_gpu=True,
data_format='NHWC