Tensorflow Keras 2D卷积产生非逻辑输出张量-32x32图像变成32xN特征映射，而不是32x32xN

根据我的理解，二维卷积对输入图像应用N个滤波器，产生N个新的“图像”（=特征图）

如果我们忽略步幅/子采样，32x32图像在与N个通道进行2D卷积后成为NX332x32张量：

然而，在Keras中，32x32输入产生32xN输出。所以，我的问题是，如何应用降维？这一步是否涉及到另一个隐藏层

如果是这样的话，网络是否正在失去其查看图像的本来面目——即二维实体的能力

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

此代码可以复制我的上述声明：

inputs = Input(shape=(1, 32, 32,))
shared = Convolution2D(nb_filter=10, nb_row=8, nb_col=8, subsample=(1, 1), border_mode='same', activation='relu')(inputs)
print("1 => ", inputs.shape)
print("2 => ", shared.shape)

当我们对32x32灰度图像应用10个过滤器（=N）时，它会产生

1=>（？，1，32，32）

2=>（？，1，32，10）

在哪里？是未指定的批次大小，1是输入通道的数量（RGB为3，灰度为1）

输入的形状如预期的那样为32x32。

---

但是，卷积的输出是32xN维而不是32x32xN，这可能是因为输入格式顺序

从Keras docs Conv2D获取此参数

数据\u格式：一个字符串、最后一个（默认）通道之一或 首先是你。输入中尺寸的顺序。 通道_last对应于具有形状（批次、高度、宽度、， 通道）而通道_首先对应于具有形状的输入 （批次、通道、高度、宽度）。它默认为图像\数据\格式 在~/.Keras/Keras.json的Keras配置文件中找到值。如果你 永远不要设置它，那么它将是“最后一个”

因此，您的（1,32,32）实际上是一个具有32个通道的1x32图像。切换到（32、32、1）或将data\u format参数设置为

channels\u first

有关更改默认行为的详细信息： 您可以使用

keras.backend.image\u data\u format（）

获取设置，并

set\u image\u data\u format（data\u format）

设置

channels\u first

或

channels\u last

---

之所以有此设置，是因为ANO和TF处理维度顺序不同，这取决于您使用的备份。不，您做错了。以下代码：

 import keras
 from keras.layers import Input, Convolution2D
 from keras.models import Model
 inputs = Input(shape=(1, 32, 32,))
 shared = Convolution2D(nb_filter=10, nb_row=8, nb_col=8,
 subsample=(1, 1), border_mode='same', activation='relu')(inputs)

 model = Model(inputs, shared)

 model.summary()

打印以下内容：

____________________________________________________________________________________________________
Layer (type)                       Output Shape        Param #     Connected to                     
====================================================================================================
input_1 (InputLayer)               (None, 1, 32, 32)   0                                            
____________________________________________________________________________________________________
convolution2d_1 (Convolution2D)    (None, 10, 32, 32)  650         input_1[0][0]                    
====================================================================================================
Total params: 650
____________________________________________________________________________________________________

---

你可以看到卷积2D的输出形状确实有10个通道。如果您得到不同的结果，请检查图像顺序是否正确（并且有意义）。

感谢您的编写，但这仍然是一样的：对于10个通道，它应该是（10,32,32）。不管顺序如何，我期望32x32x10输出实际上是否定的。对跨距=（1，1）且填充=相同的1x32x32（WxHxC）应用卷积应产生1x32x10（WxHxC）。步长=（1，1）和padding=相同将不会更改图像的大小（WxH），但会生成num_过滤器通道。我无法使用Theano后端复制您的输出。model.summary（）可能更适合查看整个网络的输入/输出形状。此外，如果您使用的是TF后端（正如您标记的那样），那么输入形状是错误的，应该是（32，32，1）。我使用的是tensorflow后端，但按无顺序馈送，所以这就是问题所在：-）谢谢，问题确实是，我必须添加dim_ordering='th'，这可能是您关于keras配置文件的默认设置。由于你们都给出了正确的答案，我选择接受第一个（不是你的），希望没问题。