在设计用于提取DNA基序的卷积神经网络的背景下，为什么要堆叠卷积层而不在其间使用最大池化函数？

以下是这种架构出现的背景。

self.model = Sequential()assert len(num_filters) == len(conv_width)for i, (nb_filter, nb_col) in enumerate(zip(num_filters, conv_width)):    conv_height = 4 if i == 0 else 1    self.model.add(Convolution2D(        nb_filter=nb_filter, nb_row=conv_height,        nb_col=nb_col, activation='linear',        init='he_normal', input_shape=self.input_shape,        W_regularizer=l1(L1), b_regularizer=l1(L1)))    self.model.add(Activation('relu'))    self.model.add(Dropout(dropout))self.model.add(MaxPooling2D(pool_size=(1, pool_width)))

回答：

提供的代码确实会在卷积之间使用激活函数

self.model = Sequential()assert len(num_filters) == len(conv_width)for i, (nb_filter, nb_col) in enumerate(zip(num_filters, conv_width)):    conv_height = 4 if i == 0 else 1    self.model.add(Convolution2D(        nb_filter=nb_filter, nb_row=conv_height,        nb_col=nb_col, activation='linear',        init='he_normal', input_shape=self.input_shape,        W_regularizer=l1(L1), b_regularizer=l1(L1)))    self.model.add(Activation('relu')) #  <--------------------- 激活函数    self.model.add(Dropout(dropout))self.model.add(MaxPooling2D(pool_size=(1, pool_width)))

生成的模型结构大致如下

conv -- relu -- dropout -- conv -- relu -- dropout -- ... -- max pool

为什么他们要将激活函数单独放置，而不是在卷积层内部指定“activation”？不知道，看起来像是一个奇怪的实现决定，但从实际角度来看，

self.model.add(Convolution2D(        nb_filter=nb_filter, nb_row=conv_height,        nb_col=nb_col, activation='linear',        init='he_normal', input_shape=self.input_shape,        W_regularizer=l1(L1), b_regularizer=l1(L1)))self.model.add(Activation('relu'))

和

self.model.add(Convolution2D(        nb_filter=nb_filter, nb_row=conv_height,        nb_col=nb_col, activation='relu',        init='he_normal', input_shape=self.input_shape,        W_regularizer=l1(L1), b_regularizer=l1(L1)))

是等效的。