大家好，我正在尝试增加现有卷积网络的深度。以下是现有网络的结构：
model = Sequential()model.add(Convolution2D(32, nb_conv, nb_conv, border_mode='valid', input_shape=(1, img_rows, img_cols)))model.add(Activation('relu'))model.add(Convolution2D(32, nb_conv, nb_conv))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(nb_pool, nb_pool)))model.add(Dropout(0.25))model.add(Convolution2D(64, nb_conv, nb_conv, border_mode='valid'))model.add(Activation('relu'))model.add(Convolution2D(64, nb_conv, nb_conv))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(nb_pool, nb_pool)))model.add(Dropout(0.25))model.add(Flatten())model.add(Dense(512))model.add(Activation('relu'))model.add(Dropout(0.5))model.add(Dense(256))model.add(Activation('relu'))model.add(Dropout(0.5))model.add(Dense(nb_classes))model.add(Activation('softmax'))model.compile(loss='categorical_crossentropy', optimizer='adadelta')我尝试通过添加几个卷积层来增加网络的深度，如下所示：
model = Sequential()model.add(Convolution2D(32, nb_conv, nb_conv, border_mode='valid', input_shape=(1, img_rows, img_cols)))model.add(Activation('relu'))model.add(Convolution2D(32, nb_conv, nb_conv))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(nb_pool, nb_pool)))model.add(Dropout(0.25))model.add(Convolution2D(64, nb_conv, nb_conv, border_mode='valid'))model.add(Activation('relu'))model.add(Convolution2D(64, nb_conv, nb_conv))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(nb_pool, nb_pool)))model.add(Dropout(0.25))model.add(Convolution2D(128, nb_conv, nb_conv, border_mode='valid'))model.add(Activation('relu'))model.add(Convolution2D(128, nb_conv, nb_conv))model.add(Activation('relu'))model.add(MaxPooling2D(pool_size=(nb_pool, nb_pool)))model.add(Dropout(0.25))model.add(Flatten())model.add(Dense(512))model.add(Activation('relu'))model.add(Dropout(0.5))model.add(Dense(256))model.add(Activation('relu'))model.add(Dropout(0.5))model.add(Dense(nb_classes))model.add(Activation('softmax'))model.compile(loss='categorical_crossentropy', optimizer='adadelta')Keras 给我返回了一个错误。我不确定哪里出了问题，但似乎是张量形状不对。以下是错误信息：
This could be a known bug in CUDA, please see the GpuCorrMM() documentation.Apply node that caused the error: GpuCorrMM{valid, (1, 1)}(GpuContiguous.0, GpuContiguous.0)Toposort index: 181Inputs types: [CudaNdarrayType(float32, 4D), CudaNdarrayType(float32, 4D)]Inputs shapes: [(128, 128, 2, 2), (128, 128, 3, 3)]Inputs strides: [(512, 4, 2, 1), (1152, 9, 3, 1)]Inputs values: ['not shown', 'not shown']Outputs clients: [[GpuElemwise{Add}[(0, 0)](GpuCorrMM{valid, (1, 1)}.0, GpuReshape{4}.0)]]HINT: Re-running with most Theano optimization disabled could give you a back-trace of when this node was created. This can be done with by setting the Theano flag 'optimizer=fast_compile'. If that does not work, Theano optimizations can be disabled with 'optimizer=None'.HINT: Use the Theano flag 'exception_verbosity=high' for a debugprint and storage map footprint of this apply node.我的输入是28×28像素的图像。谁能指出我的模型哪里出了问题？
回答：
答案很可能与图像大小有关。我的图像大小是28×28像素。当我们执行卷积和池化操作（没有零填充）时，特征图的大小会减小。因此，卷积和池化层的数量将受到输入图像尺寸的限制。
以下公式来自 http://cs231n.github.io/convolutional-networks/
特征图尺寸 = K*((W−F+2P)/S+1)，其中 W – 输入体大小，F – 卷积层神经元的感受野大小，S – 应用的步长，P – 边界上使用的零填充量，K – 卷积层的深度
现在我们先不考虑卷积层的深度。我们只想计算每次 [CONV -> CONV -> POOL] 操作后生成的特征图的高度和宽度。
对于上面的第一个网络，我应用了两次 [CONV -> CONV -> POOL] 操作。让我们计算生成的特征图。
给定 F=3, P=0, S=1, W=28，第一个 [CONV -> CONV -> POOL] 操作的输出是：
[CONV]特征图尺寸 = (W−F+2P)/S+1 = (28 – 3 + 0)/1 = 26
[CONV]特征图尺寸 = (W−F+2P)/S+1 = (26-3 + 0)/1 = 23
[POOL]应用池化操作后结果为 23/2 = 11
这意味着在第一次 [CONV -> CONV -> POOL] 操作后，特征图现在有11×11像素
让我们对11×11的特征图应用第二次 [CONV -> CONV -> POOL] 操作。我们发现最终会得到一个2×2像素的特征图。
现在，如果我们尝试应用第三次 [CONV -> CONV -> POOL] 操作，就像我在第二个网络中想要做的那样。我们发现2×2的特征图尺寸对于另一个 [CONV -> CONV -> POOL] 操作来说太小了。
我猜这就是错误的原因。
根据我上面的推测，我尝试用更大的图像训练第二个网络，错误没有出现。
