TensorFlow中相连卷积层的维度如何衔接？

我猜你是疑惑为什么第二个卷积层conv2的空间维度（28×28）和conv1完全一致，只有通道数发生了变化对吧？其实核心原因就藏在你设置的参数里——咱们一步步拆解：

首先，你用了padding="same"这个关键参数，它的作用是在卷积运算前，自动给输入特征图的边缘填充适量的零，确保卷积后的输出特征图在高度和宽度上和输入保持一致。

以你用的kernel_size=[5,5]卷积核为例，TensorFlow会计算需要填充的像素数：(卷积核边长-1)//2，也就是(5-1)//2=2。这意味着会在特征图的上下左右各填充2个零像素，这样卷积操作后，输出的高和宽就和输入的28保持不变了。

而filters参数负责控制输出的通道数：conv1用32个滤波器，所以输出32通道；conv2换成64个滤波器，输出通道数就变成64。所以conv2的完整输出形状应该是(28, 28, 64)。

给你整理下代码，更直观：

# 假设input_layer的形状为(28, 28, 输入通道数，比如1)
conv1 = tf.layers.conv2d( 
    inputs=input_layer, 
    filters=32, 
    kernel_size=[5, 5], 
    padding="same", 
    activation=tf.nn.relu
)
# conv1输出形状：(28, 28, 32)

conv2 = tf.layers.conv2d( 
    inputs=conv1, 
    filters=64, 
    kernel_size=[5, 5], 
    padding="same", 
    activation=tf.nn.relu
)
# conv2输出形状：(28, 28, 64)

如果想验证这个逻辑，你可以把padding改成"valid"试试——这时候不会做任何填充，输出的高/宽会变成28 - 5 + 1 = 24，conv2的输出形状就会变成(24, 24, 64)，对比一下就能更明白padding的作用啦。

内容的提问来源于stack exchange，提问作者mobiusinversion