Keras Convolution2d（）使用的默认过滤器是什么？

我是神经网络的新手，但是我相当了解线性代数和卷积数学。

我试图理解我在网上各个地方找到的示例代码，用于训练带有MNIST数据的Keras卷积NN以识别数字。我的期望是，当我创建卷积层时，必须指定一个过滤器或一组过滤器以应用于输入。但是我发现的三个样本都创建了一个这样的卷积层：

model.add(Convolution2D(nb_filter = 32, nb_row = 3, nb_col = 3,
                        border_mode='valid',
                        input_shape=input_shape))

这似乎将总共32个3x3滤镜应用于CNN处理的图像。但是那些过滤器是什么？我将如何数学描述它们？keras文档没有帮助。

提前致谢，

默认情况下，使用以下方法对滤波器进行随机初始化，该方法从具有正负边界的均匀分布中提取值，如下所述： $W$glorot_uniform

其中是馈入该单元的单元数，是此结果馈入的单元数。$n_{in}$$n_{out}$

当您使用网络进行预测时，这些过滤器将应用于网络的每一层。也就是说，对每个输入图像上的每个滤镜执行离散卷积，并将这些卷积的结果馈送到下一层卷积（或完全连接的层，或者您可能拥有的其他任何层）。

在训练期间，针对损失函数使用反向传播对滤波器中的值进行优化。对于诸如识别数字之类的分类任务，通常使用交叉熵损失。这是在卷积网络的第一层（顶部）中学习的一些过滤器和在第二层（底部）中学习的一些过滤器的可视化：

如您所见，第一层过滤器基本上都充当简单的边缘检测器，而第二层过滤器则更复杂。随着您深入网络，过滤器能够检测到更复杂的形状。但是，由于这些滤镜作用于已经卷积了许多次的图像，因此看起来似乎有些棘手，并且看起来与原始自然图像不太相似。

$A$$F_k$$B_k(i,j)$

转换后的模型将根据您的成本函数训练内核，最后这些内核是模型的过滤器。