Keras CNN 架构

Question

我需要了解以下代码中卷积的工作原理以及每层/步骤后数组的形状如何变化

在 Conv2D(32,3,1,...) 32 是滤波器的数量，但是 3 和 1 是多少？

我认为我有一个包含 n_rows （行数）和 n_cols （列数）的表。该表已重新调整形状，以便列转移到另一个维度（维度数增加）。

现在是2D卷积：每行与32个滤波器进行卷积，这一步之后得到的矩阵形状是什么？卷积单独发生在每个原始数据上还是混合了多个行？

Xc_train = X_train.reshape((n_rows, 1, n_cols, 1))

cnn = Sequential()
cnn.add(Convolution2D(32, 3, 1,
    border_mode="same",
    activation="relu",
    input_shape=(1, n_cols, 1)))
cnn.add(Convolution2D(32, 3, 1, border_mode="same", activation="relu"))

Answer 1

这是旧代码，Keras 1 版本。

应该更新到 Keras 2 以符合文档。

• 数字 3 和 1 是滤镜的大小，即 3 x 1 像素。
• 输入数据的形状应为

  (n_images, n_rows, n_cols, n_channels)

使用

padding = 'same'

（旧代码中为

border_mode

），图像尺寸不会改变。

唯一改变的维度是通道维度。

所有卷积滤波器始终考虑所有输入通道，将它们混合在一起并带来新数量的输出通道（这与密集层的做法非常相似，只不过您是针对整个图像的每个像素执行此操作） 。