本文介绍在卷积神经网络中如何通过调整卷积层的padding和池化层的卷积核大小来优化模型性能。主要内容包括：将padding设置为'same'以保持输入输出尺寸一致，以及将池化层的卷积核大小从3修改为2以提高效率。
1.卷积时要使用padding=same因此要修改原来的padding=valid
x = conv2d_bn(img_input, 32, 3, strides=2, padding='same')2.池化时卷积核大小修改为2而不是原来的3
branch_pool = layers.MaxPooling2D(2, strides=2, padding='same')(x)
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
