cnn卷积神经网络详解 cnn卷积神经网络中的卷积核怎么确定?
cnn卷积神经网络中的卷积核怎么确定?
从模型中学习卷积参数,手动确定卷积核的大小和数目。二维卷积核的大小通常是奇数,例如1*1、3*3、5*5、7*7。卷积核数是网络中的信道数。常用的是128 256 512,需要根据具体任务来确定。
另外,最近神经网络自动搜索结构非常流行。最著名的是Google的nasnet,它使用一些启发式遍历来寻找特定数据集的最佳网络结构
我们通常看到的卷积滤波器图是这样的:
这实际上是“展平”或“展平”卷积滤波器。例如,上图中的粉红色卷积滤波器是3x3x3,即长3,宽3,深3。然而,在图中,它是在两个维度中绘制的-深度被省略。
.由于卷积滤波器的深度与输入图像的深度相同,所以原理图中没有绘制深度。如果同时绘制深度,效果如下:
(图片来源:mlnotebook)
如上所述,卷积滤波器的深度与输入图像的深度相同,即3。
顺便说一下,输入图像深度是3,因为输入图像是彩色图像,深度是3,分别是R、G和b值。
(图片来源:mlnotebook)
总之,卷积滤波器的深度应该与输入数据的深度一致。
如何理解卷积神经网络里卷积过滤器的深度问题?
主要有三点:
还有像最大池这样的非线性变换,可以提高网络功能的性能。
卷积神经网络(cnn)中为什么要有池化层?
卷积神经网络通过用户设计的损失融合(分类往往是交叉的)计算实际标签和预测标签之间的差异,使用梯度反向传播最小化损失,并更新卷积核参数以生成新的预测值。重复此过程,直到培训结束。
cnn卷积神经网络详解 lenet5卷积神经网络 卷积神经网络详解
版权声明:本文内容由互联网用户自发贡献,本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。