Как метод Conv2D фильтрует карты объектов, выводимые другим слоем Conv2D? ⇐ Python

[Anonymous]

Я не понимаю, как 20 фильтров второго слоя Conv2D фильтруют 10 карт объектов, выводимых первым слоем Conv2D. Фильтрует ли каждый из 20 фильтров каждую из 10 карт объектов (выведенных из первого слоя Conv2D)? Если да, то почему выходные данные второго слоя Conv2D не имеют размера 20 X 10 = 200 карт объектов? Вместо этого выходные данные второго слоя Conv2d представляют собой 20 карт объектов (Нет, 8, 8, 20), как показано на диаграмме ниже.
Это из текста Дэвида «Генераторное глубокое обучение». Фостер

Код: Выделить всё

input_layer = layers.Input(shape=(32,32,3))
conv_layer_1 = layers.Conv2D(
filters = 10
, kernel_size = (4,4)
, strides = 2
, padding = 'same'
)(input_layer)
conv_layer_2 = layers.Conv2D(
filters = 20
, kernel_size = (3,3)
, strides = 2
, padding = 'same'
)(conv_layer_1)
flatten_layer = layers.Flatten()(conv_layer_2)
output_layer = layers.Dense(units=10, activation = 'softmax')

(flatten_layer)
model = models.Model(input_layer, выходной_слой)

• Слой (тип) Форма вывода Param #

InputLayer (нет, 32, 32, 3) 0
Conv2D (нет, 16) , 16, 10) 490
Conv2D (нет, 8, 8, 20) 1820
Сглаживание (нет, 1280) 0Плотный (Нет, 10) 12 810

Подробнее здесь: https://stackoverflow.com/questions/793 ... -conv2d-la