在Keras Sequential模型中，Conv2D似乎要求內核比前一層更厚。 為什么？

Question

我正在Conv2D創建一個Sequential模型，它采用彩色圖像並通過與頂層大致相同大小和形狀的多個Conv2D層進行卷積（基本上減去由卷積切掉的邊緣）。

我的理解如下：

kernel_size表示每個卷積輸入filters大小表示每個卷積輸出的層深度。

然后我在卷積之后做了一些其他的事情，這在這里是不相關的。

但是，當我在對一些小數據進行測試之前嘗試編譯我的模型時，我發現當我嘗試使給定圖層的kernel_size大於前一層的filters時，Tensorflow會抱怨。 它實際上並沒有這么說; 相反它說

通過輸入形狀[？，1,1022,1022]，[3,3,1022,1]為'conv2d_2 / convolution'（op：'Conv2D'）從1中減去3得到的負尺寸大小

這並不完全是提供信息的。 但是，我注意到它所放的數字對應於

從<上一層的filters >中減去<this layer的kernel_size >導致的負尺寸大小....

並將filters設置為更高可以阻止錯誤。

我的問題是：為什么會這樣？ 我認為filters指定了深度 ，而kernel_size指定了寬度 。 不應該需要將卷積補丁適合前一層的厚度。 而且，在第一層上不會出現這個問題，其溝道深度（我理解為有效地等效於filters ）是3。

這是一個錯誤，還是我誤解了這些參數的含義，還是其他什么？

代碼段：

__model = Sequential()

# feature layers
__model.add(Conv2D(input_shape=(3, iX, iY), data_format="channels_first", kernel_size=kernelfilters[0][0],
                   filters=kernelfilters[0][1], activation=ACTIVATION))

for kernelfilter in kernelfilters:
    __model.add(Conv2D(kernel_size=kernelfilter[0], filters=kernelfilter[1], activation=ACTIVATION))

最后一行是破壞​​的那一行。

kernelfilters數組中的每個kernelfilter都是一對數字，按順序指定kernel_size和filters值。 iX和iY是初始圖像尺寸。 ACTIVATION是一個常數，目前設置為"relu"但我可能會在以后更改它！

Answer 1

你的前提是錯的，一般情況並非如此。 只有當您使用image_data_format keras參數（在~/.keras/keras.kson ）或每個圖層的data_format參數時，才會發生這種情況。

以一致的方式更改此參數（僅在某些層中）將完全搞砸數據的解釋方式，因為它會更改通道維度的位置，這可能是解釋器作為空間維度之一。 對於TF后端（意味着input_shape中的input_shape應該是形式的元組(width, height, channels) ）。