我希望有人能证实一些关于卷积如何在卷积神经网络中工作的直觉。我看过所有关于在图像上应用卷积过滤器的教程，但大多数教程都关注单通道图像，比如 128 x 128 x 1 图像。我想澄清当我们将卷积滤波器应用于 RGB 3 通道图像时会发生什么。
现在这不是一个独特的问题，我想很多人也会问这个问题。只是那里似乎有很多答案，每个都有自己的变化，很难找到一个一致的答案。我在下面包含了一篇似乎与我自己的直觉相符的帖子，但我希望 SE 专家之一可以帮助验证层算术，以确保我的直觉没有偏离。
考虑一个具有 5 个卷积层和 3 个全连接层的 Alexnet 网络。我从这篇文章中借用了网络。 现在，假设输入是 227 x 227，过滤器指定为 11 x 11 x 96，步长为 4。这意味着有 96 个过滤器，每个过滤器的尺寸为 11x11x3，对吧？ 所以每个过滤器总共有 363 个参数——不包括偏置项——并且有 96 个过滤器需要学习。所以 363*96 = 34848 过滤器值就像全连接层中的权重一样学习，对吧？
我的第二个问题涉及下一个卷积网络层。在下一层中，我将有一个 55 x 55 x 96 的图像。在这种情况下，过滤器是否会是 5x5x96——因为图像上现在有 96 个特征图？所以这意味着每个单独的过滤器都需要学习 5x5x96 = 2400 个过滤器值（权重），并且在所有 256 个过滤器中这意味着 614,400 个过滤器值？
我只是想确保我能准确理解每个级别所学的内容。