棘手的问题，为什么从 2d (x,y) 开始的数据的维度在每次卷积后都会增加？
更新：
首先键入每个过滤器，这大致是一个小特征（鼻子的边界，耳朵的边界），然后将其与其他一般过滤器特征泛化为一般特征（鼻子，耳朵等）
RError.com
棘手的问题，为什么从 2d (x,y) 开始的数据的维度在每次卷积后都会增加？
更新：
首先键入每个过滤器，这大致是一个小特征（鼻子的边界，耳朵的边界），然后将其与其他一般过滤器特征泛化为一般特征（鼻子，耳朵等）
Conv2D 层中的过滤器数量设置了该层输出张量中的层数。例如，如果您使用 64 个过滤器，那么在输出中我们会得到一个深度为 64 层的矩阵。从逻辑上讲，过滤器的数量指定了网络必须学会识别的特征数量。
在初始层，CNN（卷积神经网络）学习识别简单的特征，例如：水平线、垂直线、纵向线；弧线等 在 CNN 的更深层次上，学习结合在早期层中识别的特征以识别稍微复杂的特征，例如从先前层中获得的线/弧（特征）创建的简单几何形状。层越深，它试图揭示的抽象/概括的特征就越多。一个特征越抽象，就越难以基于简单特征的组合来描述它，因此此类特征的数量从 CNN 的初始层向更深的层增长。
数学类比——为了在二维空间中描述一条直线，两个数字就足以指定倾斜和位移的角度，要描述更复杂的图形，需要更多的数字（系数、变量）和更复杂的对象，我们需要更多的信息来准确、明确地描述他。