當我繼續使用每層Maxpooling時，如何克服輸出形狀減小的問題？

Question

我正在建立一維卷積神經網絡（CNN）。 從許多來源我已經了解到，如果添加更多層，CNN的性能將會提高。 但是，在每個池化層，我的輸出形狀都比輸入小50％（因為我使用的池大小為2）。 這意味着一旦我的輸出形狀為1，就無法添加更多層。

有什么方法可以克服這種“形狀減小問題”，或者僅僅是增加輸入形狀的問題？

Answer 1

我正在建立一維卷積神經網絡（CNN）。 從許多來源我已經了解到，如果添加更多層，CNN的性能將會提高。

這並非總是如此。 通常取決於您擁有的數據和您要解決的任務。

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

合並允許特征相對於彼此移動，從而即使在存在較小失真的情況下也可以實現特征的魯棒匹配。 進行池化還有許多其他好處，例如：減少要素地圖的空間尺寸。 因此也減少了處理層次上的參數數量。 這簡化了整體模型的復雜性。

然后，根據步幅，合並大小和填充，您可以自願減小輸出形狀。

回到您的問題，如果您不希望形狀變小，請考慮使用strides = 1和padding ='same'。

（請參閱https://keras.io/layers/pooling ）