我目前正在尝试使用theano后端在Keras中实现GoogLeNet架构（InceptionV1），因为我想使用GoogLeNet模型为CUB数据集生成功能 .
我在Keras here找到了一个实现 .
但是，它基于早期版本的Keras，我不得不根据Keras版本2对图层进行更改 .
现在，模型正确构建 . 但是，predict（）函数失败，错误为
ValueError：CorrMM图像和内核必须具有相同的堆栈大小
所以，我开始查看原始的paper并将论文中提到的图层与实现的图层相关联 .
所以，在这里我发现第一层的输出正如预期的那样 112x112x64 ，输入为 224x224x3 .
但是，当我尝试根据斯坦福大学教程page中给出的公式计算预期的输出尺寸时，它与我从Keras代码中获得的实际输出不同，尽管这是根据GoogLeNet论文的预期输出 . . 即按照斯坦福大学页面上提到的公式 Output height or length = ((Input height or length - filter size + 2 * Padding) / Stride) + 1
根据上面的等式，输出维数的分数是无效的，并且根据公式得到预期的维数，输入需要是形状 227x227x3 . 但是，在Keras中，使用此输入，输出为 114x114x64 .
Keras是否以某种不同的方式计算输出尺寸，或者我错过了什么？
1 回答
不知怎的，我昨天可以通过从模型中删除几行代码来使其改变尺寸 . （可能是早期版本的Keras和Theano所要求的）
另外，与本文中提到的相反，我将MaxPooling2D（）函数的补丁大小从3x3更改为2x2，这是在GoogLeNet架构中实现所需输出维度的唯一方法 . 使用输入形状224x224并应用贴片大小为2x2和步长为2x2的最大池，其尺寸减半，我们可以获得所需的输出形状 .
我不确定为什么基于输入，滤波器，填充和步幅作为参数的输出尺寸方程在这里不适用 .