python - 当我保持每层 Maxpooling 时，如何克服我的输出形状减小的问题？

Question

我正在构建一维卷积神经网络 (CNN)。从许多来源我了解到，如果添加更多层，CNN 的性能会提高。然而，在每个池化层，我的输出形状比我的输入小 50%（因为我使用的池大小为 2）。这意味着一旦我的输出具有形状 1，我就无法添加更多层。

有没有办法克服这个“减少形状问题”，或者只是增加我的输入形状的问题？

标签： pythontensorflowkerasconv-neural-networkmax-pooling

Answer 1

我正在构建一维卷积神经网络 (CNN)。从许多来源我了解到，如果添加更多层，CNN 的性能会提高。

这并非总是如此。它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

池化允许特征相对于彼此移动，从而即使在存在小的失真的情况下也能实现特征的稳健匹配。池化还有许多其他好处，例如： 减少特征图的空间维度。因此也减少了处理层次结构中较高的参数数量。这简化了整体模型的复杂性。

然后根据步幅、池大小和填充，您可能会自愿减少输出形状。

回到您的问题，如果您不希望您的形状减小，请考虑使用 strides=1 和 padding='same'。

（见https://keras.io/layers/pooling）