当我继续使用每层Maxpooling时，如何克服输出形状减小的问题？

Question

我正在建立一维卷积神经网络（CNN）。 从许多来源我已经了解到，如果添加更多层，CNN的性能将会提高。 但是，在每个池化层，我的输出形状都比输入小50％（因为我使用的池大小为2）。 这意味着一旦我的输出形状为1，就无法添加更多层。

有什么方法可以克服这种“形状减小问题”，或者仅仅是增加输入形状的问题？

Answer 1

我正在建立一维卷积神经网络（CNN）。 从许多来源我已经了解到，如果添加更多层，CNN的性能将会提高。

这并非总是如此。 通常取决于您拥有的数据和您要解决的任务。

引用https://www.quora.com/Why-do-we-use-pooling-layer-in-convolutional-neural-networks

合并允许特征相对于彼此移动，从而即使在存在较小失真的情况下也可以实现特征的鲁棒匹配。 进行池化还有许多其他好处，例如：减少要素地图的空间尺寸。 因此也减少了处理层次上的参数数量。 这简化了整体模型的复杂性。

然后，根据步幅，合并大小和填充，您可以自愿减小输出形状。

回到您的问题，如果您不希望形状变小，请考虑使用strides = 1和padding ='same'。

（请参阅https://keras.io/layers/pooling ）