CNN网络，继续使用conv2d，不使用maxpool，看keras书的一个问题答案

【问题标题】：CNN network, continue using conv2d, without using maxpool, a question from reading the keras bookCNN网络，继续使用conv2d，不使用maxpool，看keras书的一个问题
【发布时间】：2019-02-27 15:14:52
【问题描述】：

我正在阅读 Francois Chollet 的 Python 学习一书。在第 128 页，作者正在讨论具有连续 Conv2d 层而不是具有最大池化层的问题。我的问题来自以下段落。 我不明白 7X7 是从哪里来的？

这不利于学习特征的空间层次结构。 3 × 3 窗口在第三层将只包含来自 7 × 7 窗口的信息初始输入。 convnet 学习到的高级模式仍然非常初始输入很小，可能不足以学习分类数字（尝试通过仅通过以下窗口查看数字来识别数字） 7 × 7 像素！）。我们需要最后一个卷积层的特征来包含有关输入整体的信息。

Layer (type) Output Shape Param #
================================================================
conv2d_4 (Conv2D) (None, 26, 26, 32) 320
________________________________________________________________
conv2d_5 (Conv2D) (None, 24, 24, 64) 18496
________________________________________________________________
conv2d_6 (Conv2D) (None, 22, 22, 64) 36928
================================================================
Total params: 55,744
Trainable params: 55,744
Non-trainable params: 0

【问题讨论】：

请不要重新编辑 - 这是引用段落的标准 SO 格式...

标签： machine-learning keras neural-network conv-neural-network

【解决方案1】：

我假设你的 cnn 架构只有 3*3 个内核。

感谢 3*3 内核，第一层是根据您的输入创建特征图。这些特征图的每个像素仅依赖于输入的 3*3 平方。第二层做同样的事情，将特征图作为输入。所以现在，一个像素依赖于一个 3*3 平方的特征图，它依赖于一个 5*5 平方的输入。

通过第三次这样做，第三层特征图上的像素仅取决于输入的 7*7 窗口。

这是一个 1D 示例：

        *            # third layer pixel
      | | |
      * * *          # second layer pixels
    | | | | |
    * * * * *        # first layer pixels
  | | | | | | |
  * * * * * * *      # input pixels --> An unique third layer layer pixel depends on only 7 input pixels

【讨论】：

非常感谢皮埃尔！！！您的图表非常形象地回答了这个问题！！！
@Pierre-Nicolas Piquin，非常感谢您的详细解释。您能否解释一下如何使用 Max Pooling 解决此问题。提前谢谢你。