在Tensorflow中的全连接层之前图像大小变为7 * 7 * 64答案

【问题标题】：Before Fully Connected Layer in Tensorflow size of image become 7*7*64在Tensorflow中的全连接层之前图像大小变为7 * 7 * 64
【发布时间】：2017-08-08 13:35:20
【问题描述】：

我是 tensorflow 网络的新手。在浏览 tensorflow 文档中提供的代码时，我发现了一行--

#Densely Connected Layer
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])

我知道 7*7*64 是图像在应用到全连接层之前的大小。但是我不明白图像的大小是如何从 28*28 减小到 7*7 的。什么是 1024 以及它来自哪里。提前致谢。

【问题讨论】：

标签： python-3.x tensorflow

【解决方案1】：

您似乎是 TensorFlow 或深度学习的新手。从tensorflow tutorial开始阅读教程。

下次如果您提出任何问题，请详细说明您的问题，例如您的代码。你提供的代码不够用。

但我觉得，如果你有的话，你必须在全连接层或最大池中使用 2 的步幅。它减少了样本的大小，增加了神经元的数量。

在您下面的代码中，7 * 7 * 64 显示这是扁平化 64 个大小为 7x7 的神经元的长度。

1024 什么都不是，只是那个密集层中的神经元数量。

#Densely Connected Layer
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])

【讨论】：

实际上我无法理解在密集连接的网络中工作的方法。
密集连接层 W_fc1 = weight_variable([16 * 16 * 64, 1024]) b_fc1 = bias_variable([1024]) h_pool2_flat = tf.reshape(h_pool2, [-1, 16*16*64 ]) h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) 我在这里找到了这个：tensorflow.org/get_started/mnist/pros 谢谢@Akhilesh
Actually I cannot understand the method that works inside densely connected network. 实际上，隐藏层内部的工作方法是矩阵卷积和加法，而密集层内部的工作方法是矩阵乘法和加法。
@SKASIFALI，如果您认为答案有帮助，请接受它作为答案或投票。

【解决方案2】：

原始图像大小为28*28，经过两次2*2池化操作(28/2)/2 =7，输出图像大小为7*7，64为filter个数

【讨论】：