计算3D CNN的输出形状

Question

如何计算以下CNN和最大层层的形状？（用keras编写）

model.add(Conv3D(128, (3, 3, 3), activation = "relu"))
model.add(MaxPooling3D((2, 2, 2)))
model.add(Conv3D(128, (3, 3, 3), activation = "relu"))
model.add(MaxPooling3D((2, 2, 2)))

谢谢！ 编辑：输入形状为39x100x100。

Answer 1

不知道确切的输入尺寸，就不可能说出确切的输出。但是可以根据输入维度计算输出维度。公式与2D Conv：

相同

Out = (W−F+2P)/S+1

其中W是输入量大小，F是内核大小，S是步幅，而P是填充。由于您没有定义大步或填充，默认情况下它们等于 S=1和 P="valid"（仅使用必要的值完成边框，以完成内核大小和输入尺寸之间可能的不匹配），将方程式简化为：

Out = W - F + 1  

因此，将X，Y和Z作为输入尺寸：

new_X = X - 3 + 1
new_Y = Y - 3 + 1
new_Z = Z - 3 + 1

新输出将为(new_X, new_Y, new_Z, 128)。最后一个128是因为您的过滤器数量。随后在轮询层之后，它遵循相同的卷积公式。由于您没有定义大步，因此在每个维度中只会降低一个单元：

polled_X = new_X - 2 + 1
polled_Y = new_Y - 2 + 1
polled_Z = new_Z - 2 + 1

要获取最终输入，只需重复上述操作即可获取以下最终输出：

final_X = ((((X - 3 + 1) - 2 + 1) - 3 + 1) - 2 + 1) = X - 6
final_Y = ((((Y - 3 + 1) - 2 + 1) - 3 + 1) - 2 + 1) = Y - 6
final_Z = ((((Z - 3 + 1) - 2 + 1) - 3 + 1) - 2 + 1) = Z - 6

请记住，轮询层不会影响堆叠过滤器的尺寸，因此您的最终输出将为(X - 6, Y - 6, Z - 6, 128)