拾遗-卷积神经网络关于通道数改变

以RGB图像为例。

一个12*12的像素图，对其进行5*5的卷积，最后得到一个8*8的像素图。

RGB图像有3个通道（12*12*3），所以卷积核也要有3个通道（5*5*3），对像素图进行卷积后得到的结果是8*8*1而不是8*8*3的图像。最后像素图的深度（输出图像的信道数）取决于卷积核的个数。

如果要得到8*8*256的结果，应该这样做：用256个5*5*3的卷积核来卷12*12*3的像素图。最后得到的结果进行堆叠就是8*8*256的图像。（256个5*5*3的卷积核可以想象成它的输入信道数为3，而输出信道数为256，两者互不影响。）

这里代码补上

import  tensorflow as tf
from    tensorflow.keras import layers, optimizers, datasets, Sequential
import  os

os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
tf.random.set_seed(2345)
conv_layers = [#主要关注全链接层和卷积层
    #unit 1
    layers.Conv2D(64, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),#64 64个核心 padding 输入和输出的h，w相同
    layers.Conv2D(64, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),#32 * 32 * 64
    layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'),  #16 * 16 * 64
    
    #unit 2
    layers.Conv2D(128, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),#64 64个核心 padding 输入和输出的h，w相同
    layers.Conv2D(128, kernel_size=[3, 3], padding="same", activation=tf.nn.relu), #16 * 16 * 128
    layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'),# 8 * 8 * 128
    
    #unit 3
    layers.Conv2D(256, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),#64 64个核心 padding 输入和输出的h，w相同
    layers.Conv2D(256, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),
    layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'), # 4 * 4 * 256
    
    #unit 4
    layers.Conv2D(512, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),#64 64个核心 padding 输入和输出的h，w相同
    layers.Conv2D(512, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),
    layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same'), #2 * 2 * 512
    
    #unit 5
    layers.Conv2D(512, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),#64 64个核心 padding 输入和输出的h，w相同
    layers.Conv2D(512, kernel_size=[3, 3], padding="same", activation=tf.nn.relu),
    layers.MaxPool2D(pool_size=[2, 2], strides=2, padding='same') #1 * 1 * 512
    
]

def main():

    # [b, 32, 32, 3] => [b, 1, 1, 512]
    conv_net = Sequential(conv_layers)
    conv_net.build(input_shape=[None, 32, 32, 3])
    x = tf.random.normal([4, 32, 32, 3])
    out = conv_net(x)
    print(out.shape)

if __name__ == '__main__':
    main()