CNN架构 - 如何解释内核大小表示法

Question

使用Keras我正在尝试重建我在论文中找到的基本CNN架构。本文描述了如下架构：

1. 标准化输入36x36
2. 第一卷积特征图32x32（3 @ 1x5x5内核）
3. 第二卷积特征图28x28（3 @ 3x5x5内核）
4. 第一次最大合并输出14x14
5. 第3卷积特征图10x10（3 @ 3x5x5内核）
6. 第二次最大合并输出5x5
7. 平铺
8. 完全连接的层75节点
9. 完全连接的第10层节点
10. 完全连接的第2层节点
11. 输出

激活功能据说属于relu。

我在keras中想出了以下代码来复制架构：

model = Sequential()
model.add(Dense(36, input_shape=(36,36,1)))
model.add(BatchNormalization())
model.add(Activation('relu'))
model.add(Conv2D(32, (5, 5)))
model.add(Activation('relu'))
model.add(Conv2D(32, (5, 5)))
model.add(Activation('relu'))
model.add(Conv2D(32, (5, 5)))
model.add(Activation('relu'))

model.add(Conv2D(28, (5, 5)))
model.add(Activation('relu'))
model.add(Conv2D(28, (5, 5)))
model.add(Activation('relu'))
model.add(Conv2D(28, (5, 5)))
model.add(Activation('relu'))


model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(10, (5, 5),padding="same"))
model.add(Activation('relu'))
model.add(Conv2D(10, (5, 5),padding="same"))
model.add(Activation('relu'))
model.add(Conv2D(10, (5, 5),padding="same"))
model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size=(2, 2),padding="same"))


model.add(Flatten())  # this converts our 3D feature maps to 1D feature vectors
model.add(Dense(75))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('relu'))
model.add(Dense(2))
model.add(Activation('softmax'))


model.compile(Adam(lr=.01), loss='categorical_crossentropy', metrics=['acc'])

但是，我不知道如何理解卷积特征映射的内核符号。更具体地说，我不明白为什么有3个维度（即3 @ 1x5x5 ），而我只能将元组定义为＆＃34; kernel_size＆＃34;在我的Keras模型中。

Answer 1

如果您附上论文会更容易，但是根据我们的论文，它应该如下：

3 @ 1x5x5表示内核大小为5乘5,1是输入的通道数，3是输出通道数。

我没有使用过Keras，但看起来应该是这样的：

model = Sequential() 
model.add(BatchNormalization(input_shape=(36,36)))  
model.add(Conv2D(3, (5, 5), activation='relu'))
model.add(Conv2D(3, (5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(3, (5, 5), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))   

model.add(Flatten())  # this converts our 3D feature maps to 1D feature vectors 
model.add(Dense(75, activation= 'relu')) 
model.add(Dense(10, activation= 'relu')) 
model.add(Dense(2, activation= 'softmax'))

model.compile(Adam(lr=.01), loss='categorical_crossentropy', metrics=['accuracy'])