以《python深度學習》第五章第一個實驗為例，神經網絡結構如下：

首先最上面一個池化層max_pooling2d_1:MaxPooling2D
的結果是：(32,)

也就是說相對于下一個卷積層conv2d_2:Conv2D的輸入是一個64個像素點的圖片。
conv2d_2:Conv2D中卷積核是(3,3,64)，注意，卷積核是一個3D張量

注意，卷積操作是在channel中操作的，意思也就是：
輸入channel=32
輸出channel=64
那么排列組合就是64*32，在這里實現了特征的組合
，所以需要的權重數量是3x3×64×32
卷積核中的數值會進行一個初始化，但是里面的數值其實就是權重值，
所以CNN的訓練目標其實就是卷積核中每個元素的取值的最終確定。
卷積核矩陣其實就是權重矩陣的一個“子權重矩陣”

卷積層的權重矩陣示意如下：

左邊32個feature map輸入
綠色橫向框代表input_channel
咖啡色縱向框代表output_channel
每個橙色小框代表卷積核中的一個小矩陣。
所以整個圖總共有32*3*3*64個權重值，也就是我們的權重矩陣了。

總結

以上是生活随笔為你收集整理的CNN中的权重维度解析以及卷积核中的数值是怎么确定的的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。