Question

我正在使用Keras进行图像分类。有我的模特：

＆＃13;

model = Sequential()

model.add(Conv2D(filters = 8, kernel_size = (3,3),padding = 'Same', 
                 activation ='relu', input_shape = (64,64,3)))
model.add(MaxPool2D(pool_size=(2,2)))



model.add(Conv2D(filters = 16, kernel_size = (3,3),padding = 'Same', 
                 activation ='relu'))
model.add(MaxPool2D(pool_size=(2,2)))

model.add(Conv2D(filters = 32, kernel_size = (3,3),padding = 'Same', 
                 activation ='relu'))
model.add(MaxPool2D(pool_size=(2,2)))


model.add(Dropout(0.2))


model.add(Flatten())
model.add(Dense(32, activation='relu'))
model.add(Dropout(0.1))
model.add(Dense(3, activation = "sigmoid"))

＆＃13;

我想避免使用Flatten（），因为在这种情况下我们会丢失一些空间信息。我看了一些教程，但他们都使用了Flatten（）。是否可以使用像deconvolution这样的东西？

Answer 1

Flatten很好。

＆＃34;空间＆＃34;从某种意义上说，Flatten进入Dense层的关系是保留的。因为来自特定位置的所有值都映射到密集层中的相同权重。因此，每个点都在数据集中一致地映射。＆＃34;空间＆＃34;在卷积层中映射的关系正在寻找局部模式，并且在这些层中保持输入不变是很重要的。

如何避免在Keras的Flatten（）

1 个答案: