[英]Why is my input and output shape from keras conv2d the same dimensions?
我正在尝试用这种形状重建别人的网络:
我的(图像)数据进入 .network 具有以下形状:
print(X_train[0].shape)
print(len(X_train))
print(len(y_train))
(150,150,3)
2160
2160
我可以写一个 neural.network 来运行没问题:
model = Sequential()
model.add(Input(shape=(150,150,3)))
model.add(Conv2D(32, kernel_size=3,strides=(1, 1),activation='relu', padding='same', dilation_rate=1))
model.add(MaxPooling2D(pool_size=(2, 2)))
但是当我查看 plot 时,它看起来像这样:
有人可以向我解释为什么我的 Conv2D 层的 output 没有按预期从 150 减少到 148 吗? (据推测,max_pooling 层中的“错误”数字是这个的结果,所以我只需要专注于理解 Conv2D 层中的差异)。
一种可能的解决方案是在Conv2D
层中使用padding=valid
:
model = Sequential()
model.add(Input(shape=(150,150,3)))
model.add(Conv2D(32, kernel_size=3, strides=(1, 1), activation='relu', padding='valid', dilation_rate=1))
model.add(MaxPooling2D(pool_size=(2, 2)))
结果总结:
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv2d (Conv2D) (None, 148, 148, 32) 896
max_pooling2d (MaxPooling2D) (None, 74, 74, 32) 0
=================================================================
您使用padding='same
这样您就不会“松动”侧面的任何值
这对不同的填充策略有很好的 gif
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.