CNN中关于维度的混淆

Question

上面的图片使用Matlab的深度学习工具箱生成，显示了为玩具示例创建的CNN的体系结构。输入图像的大小为25*20*7，每个大小为5*5的过滤器数量为15个，填充为same。第一个卷积conv1的输出是25*20*15，它进入大小为2*2的maxpooling 1操作，带有跨步1和填充same

根据我的理解，maxpooling的作用是执行降维。然而，在我的代码中，由于填充设置为same，我理解maxpooling的输出将保留其输入的空间维度，即25*20*15。这就是为什么MaxPoolig1的输出和maxpooling的其余部分与其输入具有相同的维度，并且其余层中的维度没有变化。例如，maxpooling的输出应该是：(25 - 2 +2*1/1) + 1=23+2/1 + 1 = 25。类似地，对于第二维度，maxpooling将产生：(20 - 2 +2*1/1) + 1=18+2/1 + 1 = 20。因此，maxpooling的输出应该是25*20*15

这意味着maxpooling没有进行降维。因此，如果padding选项设置为same，我应该删除maxpooling吗

请让我知道在执行maxpooling之后维度是如何相同的，如果维度相同，那么我应该删除此操作吗？还是我做错了什么

Answer 1

tldr:如果要在每个步骤中减小图像大小，请使用padding=valid。这是默认选项

Maxpooilign通常用于下采样和减少过拟合

如果使用padding='same'，则会将图像拉伸到输入大小，不会导致大小下降

在下面的示例中，输入大小为4*4，池为2*2，（默认）步长为2x2，因此输出为2*2

在keras official site上找到更多示例

Answer 2

对于卷积层和最大池层，填充的作用是不同的。如果卷积层中的padding=same，则表示输出大小（主要是高度和宽度）与输入大小相同。 另一方面，池层中的填充具有不同的功能。合并层的目的是减少空间维度（高度和宽度）。在池层中，padding=same并不意味着空间维度不变。当输入大小和内核大小不完全匹配时，需要在池中填充以弥补重叠