Keras 2DConvolution产生非逻辑输出张量 - 32x32图像变为32xN特征映射，而不是32x32xN

Question

根据我的理解，2D-Convolution将N个滤镜应用于输入图像，产生N个新的“图像”（=特征图）。

如果我们忽略步幅/子采样，在使用N个通道的2D卷积后，32x32图像变为Nx32x32张量：

但是，在Keras中，32x32输入产生32xN输出。所以，我的问题是，如何应用降维？这一步是否涉及另一个隐藏层？

如果是这样，网络是否会失去查看图像的能力 - 即2D实体？

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ ~~

此代码可以重现我的上述说法：

inputs = Input(shape=(1, 32, 32,))
shared = Convolution2D(nb_filter=10, nb_row=8, nb_col=8, subsample=(1, 1), border_mode='same', activation='relu')(inputs)
print("1 => ", inputs.shape)
print("2 => ", shared.shape)

它生成 - 因为我们将10个滤镜（== N）应用于32x32灰度图像

  

1 =＆gt; （？，1,32,32）

     

2 =＆gt; （？，1,32,10）

在哪里？是未指定的批量大小，1是输入通道的数量（RGB为3，灰度为1）。

输入的形状为32x32，如预期的那样。 但是，卷积的输出具有32xN维度而不是32x32xN

Answer 1

可能是因为输入格式顺序。

来自Keras docs Conv2D采用此参数

  

data_format ：一个字符串，其中一个为channels_last（默认值）或   channels_first。输入中维度的排序。   channels_last对应于具有形状的输入（批次，高度，宽度，   channel_first对应于具有形状的输入   （批次，渠道，高度，宽度）。它默认为image_data_format   在〜/ .keras / keras.json的Keras配置文件中找到的值。如果你   永远不会设置它，那么它将是“channels_last”。

所以你的（1,32,32）实际上是一个有32个通道的1x32图像。切换到（32,32,1）或将data_format参数设置为channels_first。

有关更改默认行为的详细信息：https://keras.io/backend/ 您可以使用keras.backend.image_data_format()来设置设置，set_image_data_format(data_format)设置channels_first或channels_last。

有这样的设置，因为Theano和TF处理尺寸排序的方式不同，它取决于您使用的支持。

Answer 2

不，你做错了什么。以下代码：

 import keras
 from keras.layers import Input, Convolution2D
 from keras.models import Model
 inputs = Input(shape=(1, 32, 32,))
 shared = Convolution2D(nb_filter=10, nb_row=8, nb_col=8,
 subsample=(1, 1), border_mode='same', activation='relu')(inputs)

 model = Model(inputs, shared)

 model.summary()

打印以下内容：

____________________________________________________________________________________________________
Layer (type)                       Output Shape        Param #     Connected to                     
====================================================================================================
input_1 (InputLayer)               (None, 1, 32, 32)   0                                            
____________________________________________________________________________________________________
convolution2d_1 (Convolution2D)    (None, 10, 32, 32)  650         input_1[0][0]                    
====================================================================================================
Total params: 650
____________________________________________________________________________________________________

你可以看到Convolution2D的输出形状确实有10个通道。如果您的区域得到不同的结果，请检查image_ordering是否正确（并且有意义）。