我正在运行一个模型，输入的维度为1x 24 x24 x8。（1是输入通道）输入将通过卷积层编码如下：

nn.Sequential(OrderedDict([
(name+'conv1',nn.Conv3d(in_channels=1,out_channels=8,kernel_size=3,padding=1, bias=False)),
(name+'bnorm1',nn.BatchNorm3d(num_features=8)),
(name+'relu1',nn.ReLU(inplace=True)),
(name+'conv2',nn.Conv3d(in_channels=8, out_channels=8,kernel_size=3,padding=1, bias=False)),
(name+'bnorm2',nn.BatchNorm3d(num_features=8)),
(name+'relu2',nn.ReLU(inplace=True))]))

字符串
因此，在'conv1'之后，输入的尺寸将变为8x 24 x24 x8（8是输出通道）。
kernel_size是3。
我能理解的是：
我们有8个过滤器，每个过滤器的尺寸为1x 3x 3x 8，或者每个内核的尺寸为3x 3x 8。这里我几乎可以确定过滤器的尺寸，因为内核立方体将覆盖图像立方体，我们将重复8层。
但是，如果在最大池化之后，它进入另一个卷积层：
然后输入将具有8x 12 x12 x4的大小（8是输入通道）

nn.Sequential(OrderedDict([
(name+'conv1',nn.Conv3d(in_channels=8,out_channels= 8*2,kernel_size=3,padding=1, bias=False)),
(name+'bnorm1',nn.BatchNorm3d(num_features=8*2)),
(name+'relu1',nn.ReLU(inplace=True)),
(name+'conv2',nn.Conv3d(in_channels= 8*2, out_channels=8*2, kernel_size=3,padding=1, bias=False)),
(name+'bnorm2',nn.BatchNorm3d(num_features=8*2)),
(name+'relu2',nn.ReLU(inplace=True))]
))

型
因此，在'conv 1'之后，输入的尺寸将更改为16 x12 x12 x4（16是输出通道）。
kernel_size = 3
这里，过滤器的数量是多少？我们有16个过滤器是正确的吗？每个过滤器/内核的维度是多少？
如果我们说每个过滤器的尺寸是8x 3x 3x 4，那么我们应该有2个过滤器才能达到最终尺寸16 x3 x3 x8，对吗？
如果我们说每个过滤器的维度是1x 3x 3x 4，我们有16个过滤器，那么它是如何在8x 12 x12 x4的立方体上移动以生成16 x12 x12 x4的？