Keras模型结构题
Keras model structure questions
我正在关注 this tutorial 使用 Keras 训练基本的 conv-net。不过，我发现有几件事令人困惑，而且 Keras 文档也没有详细介绍。
让我们看看网络的前几层：
model = Sequential()
model.add(Convolution2D(32, 3, 3, activation='relu', input_shape=(1,28,28)))
model.add(Convolution2D(32, 3, 3, activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))
我的问题：
- 教程将第一层描述为"input layer"。但是，第一行包含一个
Convolution2D 函数，带有一个 input_shape。我是否正确地假设这实际上是第一个 hidden 层（卷积层），而不仅仅是 input 层？原因是我们不需要单独的 model.add() 语句来输入？
- 在
Convolution2D() 函数中，我们使用了 32 个过滤器，每个过滤器为 3x3 像素。在我的理解中，滤镜是图像中 "scans" 的一小块像素。那么对于 28x28 的图像，我们不需要 676 个过滤器（26*26，因为每个过滤器都是 3x3）吗？这里的32是什么意思？
- 最后一行是Dropout层。据我了解，Dropout是一种正则化技术，它适用于整个网络。那么这里的
Dropout(0.25)是不是只对上一层应用了25%的dropout呢？还是它适用于它之前的所有图层？
谢谢。
每当您调用 model.fit() 时，您传递的是 28 * 28 图像。这就是模型的输入。
在该输入之上，我们进行卷积以生成特征图。
卷积就是矩阵乘法。所以第一层单个filter的输出是26*26的矩阵。我们有这样的 32 个矩阵。这就是 32 的意思。检查这个以获得进一步的解释。 https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/
这会将概率为 0.25 的 dropout 应用于句子之前的层。
我正在关注 this tutorial 使用 Keras 训练基本的 conv-net。不过，我发现有几件事令人困惑，而且 Keras 文档也没有详细介绍。
让我们看看网络的前几层：
model = Sequential()
model.add(Convolution2D(32, 3, 3, activation='relu', input_shape=(1,28,28)))
model.add(Convolution2D(32, 3, 3, activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))
我的问题：
- 教程将第一层描述为"input layer"。但是，第一行包含一个
Convolution2D函数，带有一个input_shape。我是否正确地假设这实际上是第一个 hidden 层（卷积层），而不仅仅是 input 层？原因是我们不需要单独的model.add()语句来输入？ - 在
Convolution2D()函数中，我们使用了 32 个过滤器，每个过滤器为 3x3 像素。在我的理解中，滤镜是图像中 "scans" 的一小块像素。那么对于 28x28 的图像，我们不需要 676 个过滤器（26*26，因为每个过滤器都是 3x3）吗？这里的32是什么意思？ - 最后一行是Dropout层。据我了解，Dropout是一种正则化技术，它适用于整个网络。那么这里的
Dropout(0.25)是不是只对上一层应用了25%的dropout呢？还是它适用于它之前的所有图层？
谢谢。
每当您调用 model.fit() 时，您传递的是 28 * 28 图像。这就是模型的输入。 在该输入之上，我们进行卷积以生成特征图。
卷积就是矩阵乘法。所以第一层单个filter的输出是26*26的矩阵。我们有这样的 32 个矩阵。这就是 32 的意思。检查这个以获得进一步的解释。 https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/
这会将概率为 0.25 的 dropout 应用于句子之前的层。