使用keras python输出卷积层

Question

我需要了解CNN的帮助。

model = keras.models.Sequential()

model.add(convolutional.Convolution2D(32, (8,8), activation='relu', strides=(4, 4), padding='same',input_shape=(80,80,4)))

model.add(convolutional.Convolution2D(64, (4, 4), activation='relu', strides=(2, 2), padding='same'))

model.add(convolutional.Convolution2D(64, (3, 3), activation='relu', strides=(1, 1), padding='same'))

我不确定第一个CNN的输出。 我知道它超过了32个过滤器，内核大小为8x8，跨度为4x4。 我也知道有关计算宽度的公式：

W =（W-F + 2P）/ S + 1

W =（80-8 + ??）/ 4 + 1

我不确定要在P上加上什么-这意味着填充。 您能帮助我了解第一个CNN输出的大小吗？ 另外，您能否帮助我理解为什么第一步之后将过滤器从32更改为64？ 有什么充分的理由吗？

Answer 1

参数padding=same表示将填充您的输入，以便该层的输出与原始输入的长度相同。 在输入中添加填充仅表示在输入的外部边缘周围添加像素（通常值为0）。 您希望这样做，以便指定的滤镜能够对整个输入进行卷积而不会丢失边缘上的某些像素值。 在一个Keras CONV层使用此参数的更多细节可以在Keras文档中找到这里 。

要查看这些图层的输出大小，请运行model.summary() 。 这将显示模型中每个图层的输出大小。

最后，过滤器的大小是任意选择/设置的，但是通常来说，随着模型变得更深，更复杂，过滤器的大小通常会在后面的层中增加。 我有一段关于CNN的视频 ，解释了这些概念并直观地显示了该过程，您可能会发现这很有用。