Keras 奇数图像的卷积层

我正在尝试构造一个卷积自动编码器，我使用的数据集由25 x 25个图像组成

input_img = Input ( shape = (25 , 25, 1))

layer = input_img
layer = Conv2D (128 , kernel_size =(3 , 3) , activation = 'relu' , padding = 'same')( layer )
layer = MaxPooling2D ( pool_size =(2 , 2) , padding = 'same')( layer )
layer = Conv2D (128 , kernel_size =(3 , 3) ,activation = 'relu' , padding = 'same')( layer )
layer = MaxPooling2D ( pool_size =(2 , 2) , padding = 'same')( layer )
layer = Conv2D (128 , kernel_size =(3 , 3) ,activation = 'relu' , padding = 'same')( layer )
layer = Flatten ()( layer )
layer = Dense (32 , activation = 'relu')( layer )
layer = Dense (6)( layer )
encoded = layer

layer = Dense (32 , activation = 'relu')( encoded )
layer = Dense (6272 , activation = 'relu')( layer )
layer = Reshape ((7, 7, 128))( layer )
layer = Conv2D (128 , kernel_size =(3 , 3) ,activation = 'relu' , padding = 'same')( layer )
layer = UpSampling2D ((2 ,2))( layer )
layer = Conv2D (128 , kernel_size =(3 , 3) ,activation = 'relu' , padding = 'same')( layer )
layer = UpSampling2D ((2 ,2))( layer )
layer = Conv2D (1, kernel_size =(3 , 3) , padding = 'same')( layer )

autoencoder = Model ( input_img , layer )

但是，当我尝试这样做时，我得到以下维度：

input_35 (InputLayer)        (None, 25, 25, 1)         0         
_________________________________________________________________
conv2d_208 (Conv2D)          (None, 25, 25, 128)       1280      
_________________________________________________________________
max_pooling2d_72 (MaxPooling (None, 13, 13, 128)       0         
_________________________________________________________________
conv2d_209 (Conv2D)          (None, 13, 13, 128)       147584    
_________________________________________________________________
max_pooling2d_73 (MaxPooling (None, 7, 7, 128)         0         
_________________________________________________________________
conv2d_210 (Conv2D)          (None, 7, 7, 128)         147584    
_________________________________________________________________
flatten_32 (Flatten)         (None, 6272)              0         
_________________________________________________________________
dense_125 (Dense)            (None, 32)                200736    
_________________________________________________________________
dense_126 (Dense)            (None, 6)                 198       
_________________________________________________________________
dense_127 (Dense)            (None, 32)                224       
_________________________________________________________________
dense_128 (Dense)            (None, 6272)              206976    
_________________________________________________________________
reshape_74 (Reshape)         (None, 7, 7, 128)         0         
_________________________________________________________________
conv2d_211 (Conv2D)          (None, 7, 7, 128)         147584    
_________________________________________________________________
up_sampling2d_72 (UpSampling (None, 14, 14, 128)       0         
_________________________________________________________________
conv2d_212 (Conv2D)          (None, 14, 14, 128)       147584    
_________________________________________________________________
up_sampling2d_73 (UpSampling (None, 28, 28, 128)       0         
_________________________________________________________________
conv2d_213 (Conv2D)          (None, 28, 28, 1)         1153      
_________________________________________________________________
reshape_75 (Reshape)         (None, 1, 784)            0         
_________________________________________________________________
activation_14 (Activation)   (None, 1, 784)            0         
_________________________________________________________________
reshape_76 (Reshape)         (None, 28, 28, 1)         0         

---

我希望输入和输出维度完全相同，我也不知道为什么非采样层选择（14,14128），而卷积层选择（13,13128）

您可以使用

零填充2D

或

裁剪2D

层

input\u img=input（形状=（25,25,1））
图层=输入\u img
#图层=零填充（（（3,0），（3,0））（图层）
layer=Conv2D（128，内核大小=（3，3），激活='relu'，填充='same'）（layer）
layer=MaxPoolig2D（池大小=（2，2），填充='相同'）（层）
layer=Conv2D（128，内核大小=（3，3），激活='relu'，填充='same'）（layer）
layer=MaxPoolig2D（池大小=（2，2），填充='相同'）（层）
layer=Conv2D（128，内核大小=（3，3），激活='relu'，填充='same'）（layer）
层=展平（）（层）
层=密集（32，激活='relu'）（层）
层=致密（6）（层）
编码=层
层=密集（32，激活='relu'）（编码）
层=密集（6272，激活='relu'）（层）
层=重塑（（7,7,128））（层）
layer=Conv2D（128，内核大小=（3，3），激活='relu'，填充='same'）（layer）
图层=上采样2D（（2，2））（图层）
layer=Conv2D（128，内核大小=（3，3），激活='relu'，填充='same'）（layer）
图层=上采样2D（（2，2））（图层）
layer=Conv2D（1，内核大小=（3，3），padding='same'）（layer）
图层=裁剪2D（（3,0），（3,0））（图层）
自动编码器=模型（输入图像，图层）

结果:

Model:“Model_8”
_________________________________________________________________
层（类型）输出形状参数
=================================================================
输入_12（输入层）[（无，25，25，1）]0
_________________________________________________________________
零填充2D_8（零填充（无，28，28，1）0
_________________________________________________________________
conv2d_54（conv2d）（无、28、28、128）1280
_________________________________________________________________
最大池2D_18（最大池（无、14、14、128）0
_________________________________________________________________
conv2d_55（conv2d）（无、14、14、128）147584
_________________________________________________________________
最大池2D池19（最大池（无、7、7、128）0
_________________________________________________________________
conv2d_56（conv2d）（无、7、7、128）147584
_________________________________________________________________
展平9（展平）（无，6272）0
_________________________________________________________________
密集型_37（密集型）（无，32）200736
_________________________________________________________________
致密（致密）（无，6）198
_________________________________________________________________
致密（致密）（无，32）224
_________________________________________________________________
致密（致密）（无，6272）206976
_________________________________________________________________
重塑_9（重塑）（无、7、7、128）0
_________________________________________________________________
conv2d_57（conv2d）（无、7、7、128）147584
_________________________________________________________________
上采样2D上采样18（上采样（无、14、14、128）0
_________________________________________________________________
conv2d_58（conv2d）（无、14、14、128）147584
_________________________________________________________________
上采样2D上采样19（上采样（无、28、28、128）0
_________________________________________________________________
conv2d_59（conv2d）（无、28、28、1）1153
=================================================================
总参数：1000903
可培训参数：1000903
不可训练参数：0
_________________________________________________________________

谢谢！我只是想知道填充和裁剪是否会影响模型的整体性能。