Python CNN中关于维度的混淆

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，填充相同。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，跨步

1

和填充

相同

根据我的理解，maxpooling的作用是执行降维。但是，在我的代码中，由于填充设置为
相同
，我知道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
，是否应该删除maxpooling

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？
tldr:如果要在每一步中减小图像大小，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上找到更多的例子。
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。
您的问题不是特定于编程的。用于深入学习问题的帮助。好的，我已将问题张贴在那里。感谢您的回答。如果maxpooling的填充保持
相同
不会导致维度发生变化，那么使用
相同
选项有什么意义？我应该保留还是删除它？是的，您应该，如果您的目标是减少维度，您应该使用“padding=valid”。padding='same'还有其他用例，但它不如valid受欢迎，这就是为什么valid是默认选项。