计算CNN模型中Conv层的输出大小

Question

在卷积神经网络中，如何知道特定转换层的输出？ （我使用keras构建CNN模型）

例如，如果我使用的是一维转换层，其中number_of_filters = 20，kernel_size = 10，input_shape（500,1）

 cnn.add(Conv1D(20,kernel_size=10,strides=1, padding="same",activation="sigmoid",input_shape=(Dimension_of_input,1)))

如果我使用二维转换层，其中number_of_filters = 64，kernal_size =（5,100），input_shape =（5,720,1）（高度，宽度，通道）

 Conv2D(64, (5, 100),
       padding="same",
       activation="sigmoid",
       data_format="channels_last",
       input_shape=(5,720,1)

上面两个转换层的输出数是多少？是否有任何方程可用于了解卷积神经网络中转换层的输出数量？

Answer 1

是的，有方程式，你可以在CS231N course website找到它们。但由于这是一个编程站点，Keras通过使用模型的summary函数提供了一种简单的方法来获取此信息。

model = Sequential()
fill model with layers
model.summary()

这将在终端/控制台中打印所有层信息，例如输入形状，输出形状和每层的参数数量。

Answer 2

实际上，如果你想做的不仅仅是看模型，那么model.summary()函数可能不是你想要的。

如果要访问Keras模型的图层，可以使用返回所有图层的model.layers来执行此操作（assignement将它们存储为列表）。如果您想查看特定图层，可以直接索引列表：

list_of_layers = model.layers
list_of_layers[5] # gives you the 6th layer

您仍在使用的只是对象，因此您可能希望获得特定值。您只需要指定要查看的属性：

list_of_layers[-1].output_shape # returns output_shape of last layer

返回给出模型中最后一层的output_shape元组。如果您已经知道只想查看某个图层的output_shape并且只是执行以下操作，您甚至可以跳过整个列表分配事项：

model.layers[-1].output_shape # equivalent to the above method without storing in a list

如果要在构建模型时使用这些值以指导以某种方式执行（添加池化层或执行填充等），这可能很有用。