Conv2d 如何在不同的输入维度和过滤器维度下工作？
How Conv2d works in different input dimension and filter dimension?
我想知道 TensorFlow conv2d 在不同的输入维度和过滤器维度下如何工作。
例如，Conv2d 层的输入形状为 [1, 13, 13, 10]，滤波器形状为
[20, 3, 3, 10]（将使用 20 个 3x3 过滤器，无 pedding））。
在这种情况下，过滤器是如何工作的？
据我了解，20 个过滤器分别对 10 个输入进行点积。
（第一个过滤器对每 10 个输入进行点积，下一个过滤器做同样的事情，，）
所以输出形状可以是 [1, 11, 11, 20].
我说得对吗？
假设您的输入为 [b,w,h,c]，内核为 [N,w,h]（示例中没有内核通道，可以看到通道作为内核的总数）。
那么你的逻辑是正确的，每个过滤器将计算每个通道的点积并对每个通道的结果求和，因此对于每个内核你将得到一个单一的输出，导致 20 个 11x11 的通道（由于缺少填充) = [11x11x20].
我想知道 TensorFlow conv2d 在不同的输入维度和过滤器维度下如何工作。 例如，Conv2d 层的输入形状为 [1, 13, 13, 10]，滤波器形状为 [20, 3, 3, 10]（将使用 20 个 3x3 过滤器，无 pedding））。
在这种情况下，过滤器是如何工作的？ 据我了解，20 个过滤器分别对 10 个输入进行点积。
（第一个过滤器对每 10 个输入进行点积，下一个过滤器做同样的事情，，） 所以输出形状可以是 [1, 11, 11, 20].
我说得对吗？
假设您的输入为 [b,w,h,c]，内核为 [N,w,h]（示例中没有内核通道，可以看到通道作为内核的总数）。 那么你的逻辑是正确的，每个过滤器将计算每个通道的点积并对每个通道的结果求和，因此对于每个内核你将得到一个单一的输出，导致 20 个 11x11 的通道（由于缺少填充) = [11x11x20].