卷积层的输出形状

Question

我在Keras建立了一个卷积神经网络。

model.add(Convolution1D(nb_filter=111, filter_length=5, border_mode='valid', activation="relu", subsample_length=1))

根据CS231讲座，卷积操作为每个过滤器创建一个特征映射（即激活映射），然后将其堆叠在一起。在我的例子中，卷积层有一个300维的输入。因此，我预计会进行以下计算：

• 每个过滤器的窗口大小为5。因此，每个滤波器产生300-5 1=296个卷积

但是，实际输出形状看起来不同：

convolutional_layer = model.layers[1]
conv_weights, conv_biases = convolutional_layer.get_weights()

print(conv_weights.shape) # (5, 1, 300, 111)
print(conv_biases.shape)  # (,111)

偏移值的形状很有意义，因为每个过滤器都有一个偏移值。然而，我不了解重量的形状。显然，第一个维度取决于过滤器的大小。第三个维度是输入神经元的数量，应该通过卷积来减少。最后一个维度可能是指过滤器的数量。这没有意义，因为我应该如何轻松获得特定过滤器的特征映射？

Keras使用Theano或Tensorflow作为后端。根据他们的文档，卷积操作的输出是4d张量（batch\u大小、output\u通道、output\u行、output\u列）。

有没有人能按照CS231的讲义给我解释一下输出形状？

Answer 1

实际上这很有道理。您可以了解过滤器的重量。每个过滤器依次生成一个输出（即与输入数据对应的激活映射）。

您的conv_weights.shape的前两个轴是正在学习的过滤器的维度（正如您已经提到的）。您的filter_length是5 x 1。您的输入有300个维度，并且您希望每个维度获得111个过滤器，因此您最终得到300*111个大小为5*1权重的过滤器。

我假设维度#0的过滤器#0的特征映射类似于您的\u权重[：，：，0，0]。

Answer 2

• 您的体重尺寸必须是[过滤器高度、过滤器宽度、通道内、通道外]