CNN：滤波器大小和步幅之间的相关性答案

【问题标题】：CNN: correlation between filter size and strideCNN：滤波器大小和步幅之间的相关性
【发布时间】：2021-11-05 13:32:35
【问题描述】：

Unet 是一种非常流行的网络架构，用于各种计算机视觉任务。通常，Unet 编码器具有下采样层，下采样为 2，这意味着所使用的卷积层的步幅为 2，滤波器大小>3。对于我正在尝试的问题，我想执行 8 次下采样（每次 2 次）。我认为我可以有 4 个层，每个层下采样 4，而不是在编码器中有 8 个层。为此，我认为像 3 或 5 这样的过滤器大小没有多大意义——在滑动期间，过滤器最终不会覆盖某些像素。我想获得一些关于在更改步幅时如何更改过滤器大小的指示，反之亦然。此外，如果我增加过滤器大小，减少过滤器的数量是否也有意义？

给本Q读者的提示：我在互联网上搜索了使用stride 4的先前作品，并找到了AlexNet。它的第一个卷积层有过滤器11x11x96 和stride 4。所以，我被鼓励增加我的过滤器尺寸。 :)

【问题讨论】：

我建议你使用最大池化（与跨步一起或不使用），这是缩小比例的旧方法。它的优点是它不需要任何卷积工作:) 你可以做conv - max_pool(4)-conv-max_pool(4) ...
但这并不能回答问题，对吧？使用 max pool 4 时，更好的内核大小是多少？ 3 或 5 或 7 或 9 或 11？

标签： python deep-learning conv-neural-network convolution

【解决方案1】：

我不确定这是否适合您的问题。但是如果你想下采样 8 次并避免 strides 的问题，你可以在 Conv2D 层中将 padding 设置为“same”。它将在输入的左/右或上/下均匀地应用步幅和填充为零，以使输出具有与输入相同的高度/宽度尺寸。

【讨论】：

正如目前所写，您的答案尚不清楚。请edit 添加其他详细信息，以帮助其他人了解这如何解决所提出的问题。你可以找到更多关于如何写好答案的信息in the help center。