keras卷积层中的内核大小是如何定义的？
根据文档网站(https://keras.io/layers/convolutional/)keras卷积层的内核大小定义为高度x宽度：
kernel\u size：一个整数或2个整数的元组/列表，指定2D卷积窗口的高度和宽度。可以是单个整数，以便为所有空间标注指定相同的值。
然而，在代码文档中，其定义正好相反：
kernel_size：2个整数的整数或元组/列表，指定2D卷积窗口的宽度和高度。可以是单个整数，为所有空间维度指定相同的值。
哪一个是真的？据我所知，网站的定义应该是正确的，对吗？
共有1个答案
是的，网站中的定义是正确的（高度x宽度）。根据此提交，代码文档已在2.2.0版中修复。
https://github.com/keras-team/keras/commit/027d37961afff8a7963836ca87ccdbbf65a78811#diff-d462a3275abee3aa77ba2b341e45cf20L366
-
我正在使用MNIST数据集，我正在使用keras来训练卷积神经网络。关于权重矩阵，有些东西我不明白。 输入层有28x28=784个神经元。然后我使用： 在我训练模型后，把W=模型。get\u weights（），I打印W[I]。每个i的形状并获得： 据我所知，这意味着对于第一个隐藏层有32个8x8=64的图像（因为（28-7)/3 1=8)因此第一个隐藏层中有64x32=2048个神经元。 下一部
-
本文向大家介绍CNN的卷积核是单层还是多层的？相关面试题，主要包含被问及CNN的卷积核是单层还是多层的？时的应答技巧和注意事项，需要的朋友参考一下 描述网络模型中某层的厚度，通常用名词通道channel数或者特征图feature map数。不过人们更习惯把作为数据输入的前层的厚度称之为通道数（比如RGB三色图层称为输入通道数为3），把作为卷积输出的后层的厚度称之为特征图数。 卷积核的厚度H, 一般
-
如果输入到神经网络卷积层的是128x128x3大小的图像，并对其应用40个5x5大小的滤波器，那么输出大小会是多少？
-
我对神经网络和keras有点陌生。我有一些大小为6*7的图像，过滤器的大小为15。我想有几个过滤器，并在每个上分别训练一个卷积层，然后组合它们。我在这里看了一个例子： 此型号使用一个过滤器。有谁能给我一些关于如何修改模型以处理并行卷积层的提示吗。 谢啦
-
我想做一些类似于完全卷积网络的论文(https://people.eecs.berkeley.edu/~jonlong/long\u shelhamer\u fcn。pdf）使用Keras。我有一个网络，它最终将要素地图展平，并将其穿过几个密集的图层。我想将权重从这样的网络加载到一个网络中，在这个网络中，密集层被等效卷积所取代。 Keras附带的VGG16网络可以作为一个示例，其中最后一个MaxP
-
我在一维输入信号上实现了一个具有批量归一化的卷积神经网络。我的模型有一个相当好的精度约80%。以下是我的图层顺序：（Conv1D，Batch，ReLU，MaxPooling）重复6次，Conv1D，Batch，ReLU，Dense，Softmax。 我看过几篇文章说我不应该在卷积层上使用dropout，而是应该使用批处理规范化，所以我想通过用dropout层替换所有批处理规范化层来试验我的模型，看