Python 经过卷积步骤后，全连通层中张量的形状应该是什么？

因此，让我们假设我有形状为

[128128,3]

的RGB图像，我想创建一个带有两个Conv-ReLu-MaxPool层的CNN，如下所示

def cnn(input_data):

    #conv1
    conv1_weight = tf.Variable(tf.truncated_normal([4,4,3,25], stddev=0.1,),tf.float32)
    conv1_bias = tf.Variable(tf.zeros([25]), tf.float32)

    conv1 = tf.nn.conv2d(input_data, conv1_weight, [1,1,1,1], 'SAME')
    relu1 = tf.nn.relu(tf.nn.add(conv1, conv1_bias))
    max_pool1 = tf.nn.max_pool(relu1, [1,2,2,1], [1,1,1,1], 'SAME')

    #conv2
    conv2_weight = tf.Variable(tf.truncated_normal([4,4,25,50]),0.1,tf.float32)
    conv2_bias = tf.Variable(tf.zeros([50]), tf.float32)

    conv2 = tf.nn.conv2d(max_pool1, conv2_weight, [1,1,1,1], 'SAME')
    relu2 = tf.nn.relu(tf.nn.add(conv2, conv2_bias))
    max_pool2 = tf.nn.max_pool(relu2, [1,2,2,1], [1,1,1,1], 'SAME')

---

在这一步之后，我需要将输出转换为1xN层，以便下一个完全连接的层。但是，我不确定如何确定1xN中的N是什么。是否有一个具体的公式，包括层大小、跨步、最大池大小、图像大小等？我在这个问题的阶段迷失了方向，尽管我认为我得到了CNN背后的直觉

我知道您想要将来自最后一个卷积/池层的多个2D特征映射转换为一个向量，该向量可以馈送到完全连接的层中。或者精确地说，包括批次尺寸，从形状

[批次、宽度、高度、特征映射]

到

[批次，N]

上面已经暗示了

N=batch*width*height

，因为重塑使元素总数保持不变<代码>宽度和高度取决于输入的大小和网络层的跨步（卷积和/或池）。

x

的跨步只是将大小除以

x

。在每个维度中都有大小为128的输入，以及两个跨步为2的池层。因此，在第一个池层之后，图像是64x64，在第二个池层之后是32x32，因此

width=height=32

。通常情况下，我们也必须考虑填充，但

相同的
填充的要点正是我们不必担心这一点。

最后，
feature\u maps
是50，因为这是您的上一个卷积层拥有的过滤器数量（池不会修改这一点）。所以
N=32*32*50=51200

因此，您应该能够执行
tf.reforme（max_pool2，[-151200]）
（或者
tf.reforme（max_pool2，[-1，32*32*50]）
，以使其更易于解释）并通过完全连接的层（即
tf.matmul
）提供生成的二维张量

最简单的方法就是使用
tf.layers.flatten（max\u pool2）
。此函数为您完成上述所有操作，并仅为您提供
[批处理，N]
结果。
展平层：

var_name = tf.layers.flatten(max_pool2)

这应该行得通，而且几乎每个Tensorflow CNN的例子都是这样使用的。
首先，既然你刚开始工作，我推荐Keras而不是纯Tensorflow。要回答您关于形状的问题，请参阅Andrej karpathy的文章

引自博客：
我们可以计算输出体积的空间大小，作为输入体积大小（W）、Conv层神经元的感受野大小（F）、应用它们的步幅（S）以及边界上使用的零填充量（p）的函数。你可以说服自己，计算多少神经元“适合”的正确公式是（W−F+2P）/S+1。例如，对于7x7输入和3x3滤波器，步幅为1，键盘为0，我们将得到5x5输出。使用stride 2，我们将获得3x3输出。

现在来看tensorflow的实现：
对于conv1阶段，您提供了深度为25的4*4过滤器。由于您对conv1和maxpoolg1使用了padding=“SAME”，因此在这两种情况下，您的输出二维空间尺寸将与输入相同。也就是说，在conv1之后，您的输出大小是：128*128*25。出于同样的原因，maxpool1层的输出也是相同的。由于第二次conv2的填充是“相同”的，所以输出形状也是128*128*50（您更改了输出通道）。因此，在maxpool2之后，您的维度是：批次大小，128*128*50。因此，在添加致密层之前，您有3个主要选项：

1） 将张量展平，得到一个形状：批量大小，128*128*50

2） 全局平均池结果的形状为：批量大小，50

3） 全局最大池也会产生一个形状：批量大小，50

注:
全局平均池层类似于平均池，但我们平均整个特征映射，而不是窗口。因此被称为全球。例如：在您的情况下，批量大小为128128,50。这意味着您有50个空间尺寸为128*128的要素地图。全球平均池的作用是
对128*128要素图求平均值以给出单个数字。因此，总共有50个值。这在设计完全卷积的体系结构（如inception、resnet等）时非常有用。因为这使网络的输入变得通用，这意味着您可以将任意大小的图像作为输入发送到网络。全局最大池与上面的非常相似，但稍有不同的是它找到的是特征映射的最大值，而不是平均值

此体系结构的问题：
通常不建议在maxpooling层中使用padding=“SAME”。如果您看到vgg16的源代码，您将看到在每个块（conv-relu和maxpooling）之后，输入大小减半。因此，总体结构是在增加深度/通道的同时减少空间尺寸。
这是值得一提的。谢谢然而，我对池的部分感到困惑。如果我选择保持填充
不变
，它不是通过添加零来保持输出的形状吗？或者您的回答是假设我们不使用相同的
选项？在计算
N
时，使用和不使用
相同的
填充有什么区别？填充在跨步之前适用。如果没有填充（也称为“有效”填充），大小为n（一维）的图像和大小为k的过滤器将生成大小为n-k+1的输出。“相同”填充将k-1零添加到图像中，以便结果的大小为n（n-k+1+k-1）。如果您使用的是跨步（如在最大池层中），这仍然会将输出大小减少一倍（在您的情况下为2）。步幅+“相同”填充只是意味着输出大小是n/2而不是（n-k+1）/2。我也很好奇，