Keras模型结构问题

Question

我正在关注this tutorial使用Keras训练一个基本的转发网。我发现有些事情令人困惑，而且Keras文档也没有详细说明。

让我们看一下网络的前几层：

model = Sequential()

model.add(Convolution2D(32, 3, 3, activation='relu', input_shape=(1,28,28)))
model.add(Convolution2D(32, 3, 3, activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))

我的问题：

1. 本教程将第一层描述为“输入层”。但是，第一行包含Convolution2D函数，input_shape。假设这实际上是第一个隐藏层（卷积层），而不仅仅是输入层，我是否正确？原因是我们不需要为输入单独的model.add()语句？
2. 在Convolution2D()函数中，我们使用32个滤镜，每个滤镜为3x3像素。根据我的理解，滤镜是一小块像素，可在图像上“扫描”。因此对于28x28图像，我们不需要676个滤波器（26 * 26，因为每个滤波器是3x3）？这里32是什么意思？
3. 最后一行是Dropout图层。根据我的理解，Dropout是一种正规化技术，它适用于整个网络。那么Dropout(0.25)这里仅对前一层应用了25％的辍学吗？或者它适用于它之前的所有层？

感谢。

Answer 1

1. 每当调用model.fit（）时，都会传递28 * 28图像。这就是模型的输入。 在那个输入之上，我们正在进行卷积以生成特征映射。

2. 卷积意味着矩阵乘法。因此第一层中单个滤波器的输出是26 * 26矩阵。我们有32个矩阵。这就是32意味着什么。请检查以获得进一步说明。 https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/

3. 这会将概率为0.25的丢失应用于句子前面的层。