Python CNN中输入的不平衡纵横比

考虑以下在TensorFlow中使用keras的模型

Conv2D(
filter=2^（5+i）#i=conv2D调用的次数
内核=（3，3），
步幅=（1,1），
填充='有效'）
MaxPoolig2D(
池大小=（2，2））

这里，使用比例为1:5的输入形状。在

L8

之后，不能有更多的卷积层，因为一侧是

1

。实际上，在

输入端

的情况下，不能有更多的卷积层；该层被迫展平为具有大量单元的向量，这是由于网络中的大形状[1][3]和大量过滤器[2]造成的。下面的

densite

层[4]将具有大量参数，需要大量计算时间

为了减少特定于上述问题（在[x]中突出显示）的参数数量，我考虑以下方法：

将（1,2）步幅添加到

Conv2D

的早期层。（请参阅）

将过滤器的数量从[32,64,128,256，…]减少到[16,24,32,48，…]

将输入数据调整为方形输入，以便可以应用更多的

Conv2D

层

未来将第一个

密集
层中的单位数从512减少到128

---

我的问题是，这些方法有效吗？它们会在多大程度上影响CNN的表现？有没有更好的办法解决这个问题？谢谢。

首先，您可以尝试使用“相同”填充而不是有效填充。在某种程度上，它会使你从这些日益减少的数字中解脱出来

关于第1点：

只有当数据在某个方向（在本例中为水平方向）上有更多变化时，添加非均匀步幅才是好的

关于第2点：

过滤器的数量无助于或损害尺寸变化的方式。如果您的模型没有过度拟合，这将影响您的性能

关于第3点：

将输入调整为方形似乎是个好主意，但由于您添加的所有额外内容，会导致不必要的神经元死亡。我建议反对。这可能会影响性能并导致过度装配

关于第4点：

在这里，单位的数量同样不会改变尺寸。如果您的模型没有过度拟合，这将影响您的性能

---

最后，您的人际网络足够深入，可以获得良好的效果。而不是试图变得越来越小。尝试增加MaxPool之间的Conv2D层，这样会更好。

请注意，该问题询问了减少参数数量的方法，在这种情况下，方法2和4实际上会有所帮助。谢谢。不均匀的步幅会导致一个轴上的信息丢失吗？我不太愿意在前几层中使用步幅（1,2）来统一维度。是的，这会导致您步幅更大的维度中的信息丢失。但是，如果该维度中的数据是冗余的，那么它可能会有所帮助。你需要观察你的数据。

Layer                 Output Shape    Param
-----------------------------------------------
L0:  Shape            (50, 250, 1  )  0
L1:  Conv2D           (48, 248, 32 )  320
L2:  MaxPooling2D     (24, 124, 32 )  0
L3:  Conv2D_1         (22, 122, 64 )  18496
L4:  MaxPooling2D_1   (11, 61,  64 )  0
L5:  Conv2D_2         (9,  59,  128)  73856
L6:  MaxPooling2D_2   (4,  29,  128)  0
L7:  Conv2D_3         (2,  27,  256)  295168  !!
L8:  MaxPooling2D_3   (1,  13,  256)  0
L9:  Flatten          (3328)          0
L10: Dense            (512)           1704448 !!!
L11: ...