2016 - 2024

感恩一路有你

keras卷积神经网络一维 cnn卷积神经网络中的卷积核怎么确定?

浏览量:1936 时间:2021-03-16 21:53:59 作者:admin

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,近年来,神经网络的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。卷积神经网络结构

2。卷积神经网络的发展历史

3。反向误差传播

用训练集对卷积神经网络(CNN)进行训练时,最终使卷积神经网络的前向性更好,计算损失函数,然后根据链导数规则更新CNN的权值参数。这是调整各层网络和卷积核的特征抽取器的参数(各层的特征和功能不同)。

训练是为了使整个卷积神经网络的特征提取效果更好(越来越适合于训练集),所以训练后的卷积神经网络可以提取训练集的特征。

运行测试集的目的是测试特征提取器的能力。此时,通过训练集对CNN各层的参数进行训练,可以提取出相似训练集的参数(图像、声音、文本)。此时,我们需要再次运行测试集来测试CNN的特征提取能力。

数据集:机器学习任务中使用的一组数据,每个数据集称为一个样本。反映样品在某一方面的性能或性质的项目或属性称为特征。

训练集:训练过程中使用的数据集,其中每个训练样本称为训练样本。从数据中学习模型的过程称为学习(训练)。

测试集:学习模型后,将其用于预测的过程称为测试,使用的数据集称为测试集,每个样本称为测试样本。

卷积神经网络作为特征提取器,用训练集训练好的神经网络可以提取训练集的特征吗?还是只能提取测试集的?

卷积核的定义是(宽、高、入)通道、出通道。

一般来说,卷积核的大小是7*7、5*5、3*3、1*1。输入通道由您自己定义,输出通道的数量(即过滤器的数量)由用户定义。

在网络结构中,我们首先对卷积核中的值进行初始化,然后利用反向传播算法不断修正误差,最后得到最优参数,即最优解。

卷积神经网络中的卷积核,是学习得来的还是预定义好的?

假设你有一条直线,那么你肯定可以用y=kxb来描述它。

假设一条二阶曲线由y=AXX BX C来描述

假设您要描述的模型没有表达式复杂。或者,在允许的误差范围内,您总是可以找到一组参数,使它们几乎一致。

以上只是一个例子。它也是初等数学。它有可以理解的特点。卷积是非线性的。这是可以证明的,但这是人类无法理解的。在图像处理方面,卷积还是可以理解的,但是不建议用理解来指导,因为这是非常痛苦的

一旦确定了keras模型,不修改keras框架的源代码,什么都不会改变。唯一的出路是扩大GPU。

一般情况下,我们只能尝试修改模型结构、量化剪枝等方式,自行修改框架源代码,没有必要。

通常,为了加快模型的预测速度,只需加载一次模型即可。

当模型的预测时间过长时,通常采用减少卷积核、减少卷积核数、增加步长、增加池单元等方法。一些参数较少的主干也可能被替换。

或者考虑使用移动终端分离卷积和空穴卷积。

最后,默认情况下,我们的模型由floaf32的精度表示,可以适当量化。它以16位、8位甚至2位精度表示。只要模型的精度不显著降低,且满足使用场景,则是合理的。

如果您在这方面还有其他问题,请关注我,一起学习。

keras卷积神经网络一维 keras卷积神经网络 keras自定义卷积层

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。