卷积层可训练权重TensorFlow2

Question

我使用的是TF2.5 & Python3.8，其中conv层定义为：

Conv2D(
    filters = 64, kernel_size = (3, 3),
    activation='relu', kernel_initializer = tf.initializers.GlorotNormal(),
    strides = (1, 1), padding = 'same',
)

使用一批60个CIFAR-10数据集作为输入：

x.shape
# TensorShape([60, 32, 32, 3])

这一层的输出体积保留了空间宽度和高度(32，32)，并将64个滤镜/内核贴图作为批处理应用于60幅图像。

conv1(x).shape
# TensorShape([60, 32, 32, 64])

我理解这个输出。

你能解释一下以下命令的输出：

conv1.trainable_weights[0].shape
# TensorShape([3, 3, 3, 64])

Answer 1

这是用于计算卷积层中可训练参数的数量= {(m X N X d) + 1} x k的公式

其中，滤波器的高度为m ->；滤波器的高度为n ->；输入音量中的通道数为d ->；当前层应用的滤波器数为k ->。

添加1作为每个滤波器的偏置。但在TF2.X的情况下，对于卷积层，偏置项被设置为False。因此，它不会出现在公式中。