Question

在卷积神经网络中，如何知道特定转换层的输出？（我使用keras构建CNN模型）

例如，如果我使用的是一维转换层，其中number_of_filters = 20，kernel_size = 10，以及input_shape（500,1）

 cnn.add(Conv1D(20,kernel_size=10,strides=1, padding="same",activation="sigmoid",input_shape=(Dimension_of_input,1)))

如果我使用二维转换层，其中number_of_filters = 64，kernal_size =（5,100），input_shape =（5,720,1）（高度，宽度，通道）

 Conv2D(64, (5, 100),
       padding="same",
       activation="sigmoid",
       data_format="channels_last",
       input_shape=(5,720,1)

上述两个转换层的输出数量是多少？是否有任何方程可用于了解卷积神经网络中转换层的输出数量？

Answer 1

是的，有方程式，你可以在CS231N course website中找到它们。但由于这是一个编程站点，Keras通过使用模型的summary函数提供了一种简单的方法来获取此信息的程序化。

model = Sequential()
fill model with layers
model.summary()

这将在终端/控制台中打印所有图层信息，例如输入形状，输出形状和每个图层的参数数量。

Answer 2

实际上，model.summary()函数可能不是您正在寻找的功能，如果您想要做的不仅仅是查看模型。

如果要访问Keras模型的图层，可以使用返回所有图层的model.layers来执行此操作（分配将它们存储为列表）。如果您想查看特定图层，只需将列表编入索引：

list_of_layers = model.layers
list_of_layers[5] # gives you the 6th layer

您仍在使用的只是对象，因此您可能希望获得特定值。您只需要指定要查看的属性：

list_of_layers[-1].output_shape # returns output_shape of last layer

返回模型中最后一层的output_shape元组。如果您已经知道只想查看某个图层的output_shape并且只是执行以下操作，您甚至可以跳过整个列表分配事项：

model.layers[-1].output_shape # equivalent to the above method without storing in a list

如果要在构建模型时使用这些值以指导以某种方式执行（添加池化层或执行填充等），这可能很有用。

Answer 3

当我第一次使用 TensorFlow cnn 时，处理维度非常困难。以下是计算维度的一般情况：

考虑

我们有一个尺寸为 (nXn) 的图像，过滤器尺寸为：(fXf)，没有填充，没有步幅适用：卷积后维数为：(n-f+1,n-f+1)
图像尺寸 = (nXn) 和过滤器尺寸 = (fXf) 并且我们有填充：p 然后输出暗淡是 = (n+2P-f+1,n+2P-f+1) 如果我们使用 Padding = 'SAME" 这意味着输出暗淡 = 在这种情况下输入暗淡等式如下：n+2P-f+1=n 所以从这里 p = (f-1)/2

如果我们使用了有效的填充，则意味着没有填充并且 p =0

在计算机视觉中，如果 f 是偶数，则 f 通常是奇数，这意味着我们有不对称的填充。