我一直在做这个在线课程Introduction to TensorFlow for AI, ML and DL。在这里，他们展示了一个用于对人和马进行分类的 CNN 模型。在这个模型中，第一Conv2D层有16 个过滤器，然后是另外Conv2D两层，分别有32 个和 64 个过滤器。我不确定过滤器的数量如何与更深的卷积层相关联。
在 CNN 中，为什么我们要在更深的卷积层中增加复杂图像的过滤器数量？
数据挖掘
神经网络
喀拉斯
张量流
美国有线电视新闻网
卷积
2021-09-20 01:27:30
2个回答
为此，您需要了解过滤器的实际作用。
每一层过滤器都是用来捕捉模式的。例如，第一层过滤器捕获边缘、角、点等图案。随后的层将这些图案组合成更大的图案（如将边缘组合成正方形、圆形等）。
现在，随着我们在层中前进，模式变得更加复杂；因此有更大的模式组合需要捕捉。这就是为什么我们在后续层中增加过滤器大小以捕获尽可能多的组合。
过滤器的数量越多，您的网络能够从图像数据中提取的抽象数量就越多。过滤器数量普遍递增的原因是在输入层网络接收原始像素数据。原始数据总是有噪声的，对于图像数据尤其如此。
正因为如此，我们让 CNN 首先从嘈杂、“脏”的原始像素数据中提取一些相关信息。一旦提取了有用的特征，我们就让 CNN 对其进行更复杂的抽象。
这就是为什么过滤器的数量通常会随着网络的深入而增加，即使它不一定必须是这样的。