Tensorflow 多类CNN实现中的问题

免责声明：Keras和Python的新手

大家好，我正试图按照本文介绍的规范在Keras中实现一个神经网络：

首先，我对网络架构有一些疑问（论文第三节B小节）。事实上，我的网络的输出形状与论文表I中报告的不匹配，即使我遵循了B小节中的规范

以下是我的网络代码：

filtersNumber=32
过滤器接收字段=（3，3）
过滤器跨距=（1，1）
maxpoolSize=（3,3）
maxpoolStride=（1,1）
层数=4
myActivation='relu'
inputShape=（128,43,1）
classesNumber=11
def myActivationFunction（型号，激活）：
如果激活='tanh'或激活='relu'：
模型添加（激活（激活））
elif激活=='prelu'：
model.add（PReLU（））
elif激活=='lrelu_0.01'：
模型添加（LeakyReLU（α=0.01））
elif激活=='lrelu_0.33'：
模型添加（LeakyReLU（α=0.33））
回归模型
模型=顺序（）
对于范围内的索引（层编号）：
如果索引==0：
添加（Conv2D（filtersNumber，filtersReceptiveField，步长=filtersStride，padding='same'，input_shape=inputShape））
其他：
add（Conv2D（filtersNumber，filtersReceptiveField，strips=filtersStride，padding='same'））
模型=myActivationFunction（模型，myActivation）
add（Conv2D（filtersNumber，filtersReceptiveField，strips=filtersStride，padding='same'））
模型=myActivationFunction（模型，myActivation）
如果索引！=（第1层）：
添加（MaxPoolg2D（池大小=maxpoolSize，步幅=maxpoolStride））
模型。添加（辍学率（0.25））
过滤器编号=过滤器编号*2
其他：
添加（globalMapooling2D（））
模型添加（密集（1024））
模型=myActivationFunction（模型，myActivation）
模型。添加（辍学率（0.50））
模型.添加（密集（类别编号））
添加（激活（'sigmoid'））
model.summary（）

这是模型。summary（）：

层（类型）输出形状参数
=================================================================
conv2d_1（conv2d）（无、128、43、32）320
_________________________________________________________________
激活1（激活）（无、128、43、32）0
_________________________________________________________________
conv2d_2（conv2d）（无、128、43、32）9248
_________________________________________________________________
激活_2（激活）（无、128、43、32）0
_________________________________________________________________
最大池2D池1（最大池2（无、126、41、32）0
_________________________________________________________________
辍学1（辍学）（无、126、41、32）0
_________________________________________________________________
conv2d_3（conv2d）（无、126、41、64）18496
_________________________________________________________________
激活3（激活）（无、126、41、64）0
_________________________________________________________________
conv2d_4（conv2d）（无、126、41、64）36928
_________________________________________________________________
激活4（激活）（无、126、41、64）0
_________________________________________________________________
最大池2D_2（最大池2（无、124、39、64）0
_________________________________________________________________
辍学2（辍学）（无、124、39、64）0
_________________________________________________________________
conv2d_5（conv2d）（无、124、39、128）73856
_________________________________________________________________
激活5（激活）（无、124、39、128）0
_________________________________________________________________
conv2d_6（conv2d）（无、124、39、128）147584
_________________________________________________________________
激活_6（激活）（无、124、39、128）0
_________________________________________________________________
最大池2D池3（最大池2（无、122、37、128）0
_________________________________________________________________
辍学3（辍学）（无、122、37、128）0
_________________________________________________________________
conv2d_7（conv2d）（无、122、37、256）295168
_________________________________________________________________
激活7（激活）（无、122、37、256）0
_________________________________________________________________
conv2d_8（conv2d）（无、122、37、256）590080
_________________________________________________________________
激活_8（激活）（无、122、37、256）0
_________________________________________________________________
全局\u最大\u池2D\u 1（全局（无，256）0
_________________________________________________________________
密集型_1（密集型）（无，1024）263168
_________________________________________________________________
激活_9（激活）（无，1024）0
_________________________________________________________________
辍学4（辍学）（无，1024）0
_________________________________________________________________
密集型_2（密集型）（无，11）11275
_________________________________________________________________
激活_10（激活）（无，11）0
=================================================================
总参数：1446123
可培训参数：1，