Keras中CNN模型的Filters与Kernel Size的含义及区别解析

1. Kernel Size（卷积核尺寸） #

• 定义：指卷积操作时使用的滑动窗口的空间尺寸，通常用二维数值对表示（比如(3,3)），分别对应窗口的高度和宽度。
• 作用：决定了单次卷积能覆盖输入特征图的范围——尺寸越大，能捕捉到的输入区域（感受野）就越大，适合提取宏观特征（比如物体轮廓）；尺寸越小，聚焦于局部细节（比如边缘、纹理）。
• 对应你的代码：kernel_size = c(3,3)表示每个卷积核会以3x3的窗口在输入的28x28灰度图上滑动，每次对窗口内的9个像素做卷积计算。

2. Filters（卷积核数量/输出通道数） #

• 定义：这个参数代表当前卷积层中可学习的卷积核总数，同时也是该层输出特征图的通道数。
• 作用：每个卷积核会学习输入特征中的一种特定模式（比如垂直边缘、斜向纹理），多个卷积核就能同时提取多种不同的特征。输出的每张特征图，对应一个卷积核提取的结果。
• 对应你的代码：filters = 32意味着这一层会初始化32个独立的3x3卷积核，最终输出32张特征图（假设无padding，尺寸为26x26），每张图对应一种学到的特征，再经过ReLU激活函数处理。

核心区别 #

• Kernel Size：描述单个卷积核的空间大小，控制卷积操作的局部覆盖范围
• Filters：描述卷积核的总数量，决定输出特征的多样性和通道数

内容的提问来源于stack exchange，提问作者amatof