maxpooling层会减少网络中的参数数量吗？

Question

我定义了一个简单的网络：

model = Sequential()
model.add(Conv1D(5, 3, activation='relu', input_shape=(10, 1),name="conv1",padding="same"))
model.add(MaxPooling1D())
model.add(Conv1D(5, 3, activation='relu',name="conv2",padding="same"))
model.add(MaxPooling1D())
model.add(Dense(1, activation='relu',name="dense1"))
model.compile(loss='mse', optimizer='rmsprop')

层的形状如下：

conv1-(None, 10, 5)

max1-(None, 5, 5)

conv2-(None,5,5)

max2-(None,2,5)

dense1-(None,2,1)

该模型共有106个参数，但是如果我删除最大池化层，则模型摘要如下所示：

conv1-(None, 10, 5) 

conv2-(None,10,5)

dense1-(None,10,1)

在这两种情况下，总参数仍然为106，但是为什么通常这样写：最大池层减少了参数数量？

Answer 1

哪种网络？全取决于你。

• 转化层：否
• 致密层：
  • 在转化或合并后立即：
    • 使用“ channels_last”：否
    • 使用“ channels_first”：是
  • 展平图层后：是
  • 在GlobalPooling层之后：否

您的网络：否。

说明

• Poolings和GlobalPoolings更改图像大小，但不更改通道数
• Conv层是固定大小的滤镜，它们沿着图像跨步。滤镜大小与图像大小无关，因此没有变化。过滤器取决于内核大小和通道
• 密集层仅在最后一个维度上起作用。
  • 如果最后一个维度是渠道，则池化层不会对其产生影响
  • 如果最后一个尺寸是图像面，则将受到影响
• 平层将图像大小和通道转换为一个维度。