[keras]Conv2D, Maxpooling2D outputshape 계산

def build_model(tm):
    inputs = Input(shape=(28, 28, 1))
    x = inputs
    x = Conv2D(32, 3, strides=(1, 1), padding='same', kernel_initializer='he_normal',
               activation='relu')(x)
    x = MaxPooling2D(strides=(2, 2))(x)
    x = Dropout(0.25)(x)

    x = Conv2D(64, 3, activation='relu')(x)
    x = MaxPooling2D((2, 2))(x)
    x = Dropout(0.25)(x)

    x = Conv2D(128, 3, activation='relu')(x)
    x = Dropout(0.4)(x)
    x = Flatten()(x)
    print(x.shape)
    x = Dense(128, activation='relu')(x)
    x = Dropout(0.3)(x)

    x = Dense(tm.param_info['num_classes'], activation='softmax')(x)

    model = Model(inputs=inputs, outputs=x)
    model.compile(optimizer=Adam(),
                  loss='categorical_crossentropy',
                  metrics=['acc'])
    # categorical_crossentropy -> y_train, y_test -> to_categorical
    model.summary()

    return model

Model: "model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         [(None, 28, 28, 1)]       0         
_________________________________________________________________
conv2d (Conv2D)              (None, 28, 28, 32)        320       
_________________________________________________________________
max_pooling2d (MaxPooling2D) (None, 14, 14, 32)        0         
_________________________________________________________________
dropout (Dropout)            (None, 14, 14, 32)        0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 12, 12, 64)        18496     
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 6, 6, 64)          0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 6, 6, 64)          0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 4, 4, 128)         73856     
_________________________________________________________________
dropout_2 (Dropout)          (None, 4, 4, 128)         0         
_________________________________________________________________
flatten (Flatten)            (None, 2048)              0         
_________________________________________________________________
dense (Dense)                (None, 128)               262272    
_________________________________________________________________
dropout_3 (Dropout)          (None, 128)               0         
_________________________________________________________________
dense_1 (Dense)              (None, 10)                1290      
=================================================================
Total params: 356,234
Trainable params: 356,234
Non-trainable params: 0
_________________________________________________________________

1. Conv2D에서 pad=same 이면 입력과 출력의 모양이 같다.
   28_28_1 → 28_28_32
2. Conv2D에서 pad=valid 이면 pad=0 이다.
3. Conv2D의 output_shape는

이다. 다만 `패딩=valid`이면 0이고, `패딩=same`이면 계산할 필요가 없다.  

4. Conv2D에서 3x3을 사용할 경우, 원래 크기에서 3을 빼주고 1을 더해주므로 결과적으로 2를 빼준 것이 된다. 패딩이 없다면 단순히 크기를 빼고 1을 더해준다.

5. Conv2D에서 1x1을 사용할 경우, 원래 크기에서 1을 빼주고 1을 더해주고, strides가 1이므로 원래의 크기와 같다.

6. MaxPool2D에서 parameter 없이 (2,2)만 입력하면 pool_size이다.

7. MaxPool2D에서 strides를 입력하지 않아서 strides=None이면 strides=(pool_size)이다.

8. MaxPool2D에서 output_shape는

   

이다. 윗 식에서 padding이 없다.

9. MaxPool2D에서 (2,2)를 이용할 경우, pool_size=2, strides=2가 되므로, 2를 빼주고 2를 나누고 1을 더한 값이 된다.