Question

如何计算下面的CNN和最大合并层的形状？（用喀拉拉邦语写成）

model.add(Conv3D(128, (3, 3, 3), activation = "relu"))
model.add(MaxPooling3D((2, 2, 2)))
model.add(Conv3D(128, (3, 3, 3), activation = "relu"))
model.add(MaxPooling3D((2, 2, 2)))

谢谢！编辑：输入形状为39x100x100。

Answer 1

如果不知道确切的输入尺寸，就不可能知道确切的输出。但是可以根据输入尺寸来计算输出尺寸。 formula is the same as for 2D conv：

Out = (W−F+2P)/S+1

其中W是输入卷大小，F是内核大小，S是跨步，P是填充。由于您未定义步幅或填充，因此默认情况下它们等于S=1和P="valid"（仅使用必要的值来完成边界，以完成内核大小和输入大小之间可能的不匹配），将等式简化为：

Out = W - F + 1

因此，考虑将X，Y和Z作为您的输入尺寸：

new_X = X - 3 + 1
new_Y = Y - 3 + 1
new_Z = Z - 3 + 1

新的输出将是(new_X, new_Y, new_Z, 128)。最后一个128是由于您的过滤器数量所致。在轮询层之后，它遵循卷积的相同公式。由于您没有定义跨步，因此只会在每个维度上减少一个单位：

polled_X = new_X - 2 + 1
polled_Y = new_Y - 2 + 1
polled_Z = new_Z - 2 + 1

要获取最终输入，只需重复上述操作即可获得以下最终输出：

final_X = ((((X - 3 + 1) - 2 + 1) - 3 + 1) - 2 + 1) = X - 6
final_Y = ((((Y - 3 + 1) - 2 + 1) - 3 + 1) - 2 + 1) = Y - 6
final_Z = ((((Z - 3 + 1) - 2 + 1) - 3 + 1) - 2 + 1) = Z - 6

请记住，轮询层不会影响堆叠过滤器的尺寸，因此最终输出将为(X - 6, Y - 6, Z - 6, 128)

计算3D CNN的输出形状

1 个答案: