卷积后的Max Pooling层
Max Pooling layer after convolution
根据我的理解，maxpool 层适用于卷积 2d 层并将该层的维度减少一半，但该模型的架构以不同的方式显示它。
谁能告诉我它是如何只减少了一个小尺寸而不是预期的一半？我的意思是，如果应用了 maxpooling 层，尺寸不应该是 16x16x32 吗？为什么是 32x31x30？如果有自定义输出形状的可能性，我想知道为什么。
这显然是一个错字。正如 linked paper (thanks Christoph) 中所述，他们在 max-pooling 层（强调我的）中提到了以下内容：
The first network is
a Fully Designed Neural Network (FD-NN). The architecture and layers of the model are displayed in Table 1. A 2D
convolutional layer with 3×3 filter size used, and Relu assigned as an activation function. Maxpooling with the size of
2×2 applied to reduce the number of features.
如果应用 2 x 2 window，你是正确的，它应该将特征图从 32 x 32 x 32 减少到 16 x 16 x 32。此外，过滤器的数量行错了。它也应该仍然是 32。这篇论文没有正式发表在任何会议或期刊上，仅作为 arXiv 上的预印本提供。这意味着这篇论文没有经过正式的错误审查或校对。
因此，如果您想弄清实际输出维度，我建议您向论文的原作者寻求帮助。但是，此 table 的最大池化和丢弃的输出维度完全不正确。
根据我的理解，maxpool 层适用于卷积 2d 层并将该层的维度减少一半，但该模型的架构以不同的方式显示它。 谁能告诉我它是如何只减少了一个小尺寸而不是预期的一半？我的意思是，如果应用了 maxpooling 层，尺寸不应该是 16x16x32 吗？为什么是 32x31x30？如果有自定义输出形状的可能性，我想知道为什么。
这显然是一个错字。正如 linked paper (thanks Christoph) 中所述，他们在 max-pooling 层（强调我的）中提到了以下内容：
The first network is a Fully Designed Neural Network (FD-NN). The architecture and layers of the model are displayed in Table 1. A 2D convolutional layer with 3×3 filter size used, and Relu assigned as an activation function. Maxpooling with the size of 2×2 applied to reduce the number of features.
如果应用 2 x 2 window，你是正确的，它应该将特征图从 32 x 32 x 32 减少到 16 x 16 x 32。此外，过滤器的数量行错了。它也应该仍然是 32。这篇论文没有正式发表在任何会议或期刊上，仅作为 arXiv 上的预印本提供。这意味着这篇论文没有经过正式的错误审查或校对。
因此，如果您想弄清实际输出维度，我建议您向论文的原作者寻求帮助。但是，此 table 的最大池化和丢弃的输出维度完全不正确。