【发布时间】：2017-10-22 14:25:19
【问题描述】：
我在理解本文中描述的model 是如何设计的方面似乎有些问题
这是关于模型维度的内容..
...在这些实验中，我们使用了一个卷积层，一个池化层 和顶部的两个完全连接的隐藏层。全连接的 每个层有 1000 个单位。卷积和池化参数 分别是：池大小为 6、移位大小为 2、过滤器大小为 8、150 个特征 FWS 的地图..
所以根据 ^ 模型是否包含
输入
卷积
池
输入是 150 个特征图（每个特征图的形状为 (8,3)
卷积为 1d，内核大小为 8
池的大小为 6，步幅为 2。
预期的输出将是（1，“过滤器数量）的形状，但我得到的是（14，”过滤器数量）
我明白我为什么会得到，但我不明白论文如何建议这可以给出（1，“过滤器数量”）的输出形状
当使用 100 个过滤器时，我会从每一层获得这些输出
convolution1d 给我 (33,100)
汇集 (14,100)..
为什么我希望输出是 1 而不是 14
该模型应该识别电话，它需要 50 帧（包括增量在内的 150 帧）作为输入，这些是上下文帧，这意味着这些被用作检测单个帧的支持......这通常是为什么上下文使用窗户。
【问题讨论】：
-
不清楚这个问题在问什么我一直跟着你直到最后你得到了什么结果，什么是没有预料到的
-
希望现在更有意义..
标签： deep-learning classification dimension