Deep learning 如何改变CNN中卷积层的大小

我正在使用分类和深度学习。在代码中，它使用大小为

（5,5）

的两个卷积层和大小为

（2,2）

的最大池层，以及一个完全隐藏的层，如下所示：

因此，4D输出张量具有一定的形状（批量大小，nkerns[0]，12，12） layer0=LeNetConvPoolLayer( rng， 输入=图层0\u输入， 图像形状=（批次大小，1,28,28）， 过滤器形状=（nkerns[0]，1,5,5）， 池大小=（2,2） ) #构造第二个卷积池层 #过滤将图像大小减小为（12-5+1，12-5+1）=（8，8） #maxpooling将此进一步减少到（8/2，8/2）=（4，4） #因此，4D输出张量具有形状（批量大小，nkerns[1]，4，4） layer1=LeNetConvPoolLayer( rng， 输入=图层0.0输出， 图像形状=（批次大小，nkerns[0]，12,12）， 过滤器形状=（nkerns[1]，nkerns[0]，5,5）， 池大小=（2,2） ) #HiddenLayer是完全连接的，它在 #形状（批量大小、像素数）（即光栅化图像的矩阵）。 #这将生成形状矩阵（批次大小，nkerns[1]*4*4）， #或（500,50*4*4）=（500,800）的默认值。 layer2\u输入=layer1.output.flatte（2） layer2=隐藏层( rng， 输入=第2层\u输入， n_in=nkerns[1]*4*4， n_out=500， 激活=T.tanh ) layer3=逻辑回归（输入=layer2.output，输入=500，输出=35）`

---

问题是，如果我想将卷积层的大小从

（5,5）

更改为

（3,3）

，CNN的体系结构是什么？

使用3*3过滤器2*2池28*28图像大小：

过滤将图像大小减小到

（28-3+1，28-3+1）=（26，26）

---

而对于CNN的第一层，合用将这一点进一步降低到

（26/2，26/2）=（13，13）

，以此类推。

如果你能自己解决这个问题，或许可以得到社区的一些帮助，你会对CNN有更丰富的了解。如果你试图找出答案，你能编辑你的问题，包括你尝试过的细节和失败的原因吗。这样，我们就可以把我们的答案引导到澄清你的理解上，而不是仅仅提供一些回答问题的模糊数字，但不能帮助你理解正在发生的事情。下一步是什么？13是奇数，然后它将是

（13-3+1）=11

。现在

11/2=？

<代码>（5或6）？您现在可以使用2*2过滤器，这样新的大小将是（13-2+1）=12，通过使用2*2池，我们得到12/2=6（6*6）图像。