如何确定卷积神经网络的卷积核大小、卷积层数、每层map个数

最新推荐文章于 2024-03-10 11:25:13 发布
最新推荐文章于 2024-03-10 11:25:13 发布
阅读量3w 收藏 27
点赞数 3
分类专栏： 机器学习，深度学习 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/myknotruby/article/details/70805178
版权
卷积核大小 卷积层数确定的原则是
长而深，不知道怎么就选3*3

三层3*3的卷积效果和一层7*7的卷积效果一致，我们知道一次卷积的复杂度是卷积长宽*图像长宽，3次卷积的复杂度为3*（3*3）*图像长宽《（7*7）*图像长宽，既然效果一样，那当然选多次小卷积啊。


卷积层数设置，选最好性能的那个模型，它是几层那就设置几层。这个是训练数据，激活函数，梯度更新算法等多方面的影响，也不是简单就试出来的。

卷积核数目设置

按照16的倍数倍增，结合了gpu硬件的配置。

灰灰渔渔爱吃鱼
关注
  • 3
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
卷积神经网络基础
01-07
1.二维互相关运算：由二维的输入数组和二维的核数组得到一个二维的输出数组。 这个二维的核数组通常称为卷积核或过滤器（filter），它的高度和宽度一般比输入数组小。 二维卷积层是将输入与卷积核做互相关运算，再加一个标量偏置。因此卷积层的模型参数就包括卷积核和标量偏置。 2.特征图（feature map）：简单来说就是指输出数组，因为它可以看作是输入在空间维度（高和宽）上的某一级表征。 感受野（receptive field）：输出数组上的某一个数y可以被输入数组上的哪些数字x所影响，这些x就是y的感受野。不仅可以求一个卷积核运算结束后结果中一个数字在输入上的感受野，也可以求与多个卷积核运算结
卷积神经网络（CNN）中的卷积核 概念 原理
limanjihe的专栏
05-27 3181
reference:https://blog.csdn.net/lmb09122508/article/details/84949837 作者：Tim Dettmers（Understanding Convolution in Deep Learning） 原文地址：http://www.yangqiu.cn/aicapital/2382000.html 有太多的公开课、教程在反复传颂卷积神经网络的好，却都没有讲什么是“卷积”，似乎默认所有读者都有相关基础。这篇外文既友好又深入，所以翻译了..
卷积神经网络的卷积核大小、个数，卷积层数如何确定呢？
热门推荐
datayx的文章
07-14 3万+
向AI转型的程序员都关注了这个号????????????大数据挖掘DT机器学习 公众号：datayx卷积神经网络的卷积核大小、卷积层数、每层map个数都是如何确定下来的呢？看到有些答案...
定义一个卷积核：卷积核是一个小的矩阵
最新发布
aa929249的博客
03-10 882
这个滤波器可以帮助我们观测到一定区域大小的像素信息，并且通过卷积计算，变成”低频“的信息特征，比如上面我们提到的一些图像的边缘，纹理等等。一个内核从图像的左上角开始滑动，将核所覆盖的像素值与相应的核值相乘，并对乘积求和。每个卷积层包含多个卷积核（也称为滤波器），每个卷积核负责检测输入中的不同特征。这一层通常用于整合前面层提取的特征，并生成最终的输出。：通常在一个 CNN 中，我们会有多个不同的卷积核同时进行卷积操作。当只有一层CNN结构时，一般都会有如下几个层级，来帮助我们进行一次卷积，训练对应的特征。
cnn卷积神经网络_CNN(卷积神经网络)卷积核的特征提取
weixin_39636609的博客
11-28 3057
原创 荣君宇 CNN，作为一个经典的神经网络模型，我们并不陌生。CNN包含若干个卷积层和池化层。池化层相对简单，对于减少神经元数量，功不可没。而卷积层，才是我们理解的一个难点。 我们知道卷积层可以提取不同的特征。对CNN的训练，重点就是训练出来各种各样的卷积核来提取特征。初学者在学习CNN时，往往会面临一个问题，知道CNN的输出是如何计算的，也知道如何利用基于链式求导法则的反向传播算法去训练网络...
CNN.rar_CNN__cnn 卷积层_muscular_卷积核_神经网络 matlab
09-24
%得到卷积层的featuremap的size，卷积层fm的大小 为 上一层大小 - 卷积核大小 + 1（步长为1的情况） %得到卷积层的featuremap的size，卷积层fm的大小 为 上一层大小 - 卷积核大小 + 1（步长为1的情况）
卷积核的理解和参数确定
qq_41799012的博客
02-07 8142
卷积核相当于是一个滑动窗口，一般像我们看到的3x3的卷积核就是指覆盖3x3像素的一个滑动窗口，对于单个kernal size中的卷积核，滑动窗口3x3中的9个参数都是公用的，来处理一个通道的输入数据，比如： 一般图片都是RGB三层，像素大小为224x224,那个一个输入图片的大小为224x224x3，然后通过64个3x3的卷积层来提取特征，最后输出的特征向量的大小是由步长stride和padding决定的，一般都为1（而maxpooling池化层stride为2或者其他，从而降低输出特征矩阵的大小），这样的
卷积核大小、个数，卷积层数是如何确定的 ？
qq_42414972的博客
07-02 3万+
Kernel_size是如何选取的？ Q: 为什么CNN中的卷积核一般都是奇数*奇数 ？ A: 原因有二。（1） 卷积中有一种same convolution，也就是卷积前后尺寸（高x宽）不变。实现same convolution（n + padding - k + 1 = n） 。若 k 为偶数，那么padding就为奇数，就不能平均分配到卷积张量两边。（2）此外，奇数尺寸的卷积核便于用中心定位。 达到相同感受野的情况下，卷积核越小，所需要的参数和计算量越小。所以2×2排除了，一般都用3×3作.
CNN卷积核与通道讲解
yilulvxing的博客
07-19 1万+
CNN在图像和提取空间信息中有着广泛应用，本篇博客以图像解释为主，省去了CNN基础内容的概述，主要讲述单通道卷积核多通道卷积的详细过程，并以Pytorch代码示例。 1：单通道卷积 以单通道卷积为例，输入为（1,5,5），分别表示1个通道，宽为5，高为5。假设卷积核大小为3x3，padding=0，stride=1。 卷积过程如下： 相应的卷积核不断的在图像上进行遍历，最后得到3x3的卷积结果，结果如下： 2：多通道卷积1 以彩色图像为例，包含三个通道，分别表示RGB三原色的像素值.
卷积核里面的值是怎么确定的
weixin_46658421的博客
09-28 8726
(1 封私信 / 83 条消息) CNN数字识别时，卷积核（如，5x5）具体的数值是如何确定的，难道是随机？？ - 知乎 (zhihu.com)
CNN - 卷积
qq_45898993的博客
05-15 2592
01 基本概念 卷积：简单来讲，就是把一个 n*m 的二维矩阵通过一个卷积核将其变为n1*m1的二维矩阵的过程称为卷积。 卷积核：给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。 多通道：即输入矩阵的维度。 特征图：卷积操作处理后的结果。 特征选择：人工选取特征，然后计算机利用这些特征进行分类，在选择正确特征情况下，信噪比(signal-to-noise ration)将会提高，分类正确率也会提高。 Eg：多通道多卷积核的CNN（3
CNN 卷积神经网络
04-22
The first CNN appeared in the work of Fukushima in 1980 and was called Neocognitron. The basic architectural ideas behind the CNN (local receptive fields,shared weights, and spatial or temporal subsampling) allow such networks to achieve some degree of shift and deformation invariance and at the same time reduce the number of training parameters. Since 1989, Yann LeCun and co-workers have introduced a series of CNNs with the general name LeNet, which contrary to the Neocognitron use supervised training. In this case, the major advantage is that the whole network is optimized for the given task, making this approach useable for real-world applications. LeNet has been successfully applied to character recognition, generic object recognition, face detection and pose estimation, obstacle avoidance in an autonomous robot etc. myCNN class allows to create, train and test generic convolutional networks (e.g., LeNet) as well as more general networks with features: - any directed acyclic graph can be used for connecting the layers of the network; - the network can have any number of arbitrarily sized input and output layers; - the neuron’s receptive field (RF) can have an arbitrary stride (step of local RF tiling), which means that in the S-layer, RFs can overlap and in the C-layer the stride can differ from 1; - any layer or feature map of the network can be switched from trainable to nontrainable (and vice versa) mode even during the training; - a new layer type: softmax-like M-layer. The archive contains the myCNN class source (with comments) and a simple example of LeNet5 creation and training. All updates and new releases can be found here: http://sites.google.com/site/chumerin/projects/mycnn
深度学习基础（四）—— 神经网络各层的意义
01-06
1 卷积层 稀疏交互：减少时间复杂度，提高运算时间。 参数共享： 降低模型参数的存储需求，提高统计效率。 参数共享的特殊形式使得神经网络层具有对平移等变（equivariance）的性质 1.1 卷积神经网络的感受野 1.1.1 感受野的概念 感受野就是视觉感受区域的大小。在卷积神经网络中，感受野的定义是 卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小 1.1.2 感受野的计算 第一层卷积层的输出特征图像素的感受野的大小等于滤波器的大小 计算感受野大小时，忽略了图像边缘的影响，不考虑padding的大小 strides的概念 stride（i\uff09=
卷积神经网络进阶（AlexNet、VGG、NiN、GoogleNet）
01-06
深度卷积神经网络AlexNet 重要的计算例题：通道数为3，宽高均为224的输入，经过一层输出通道数为96，卷积核大小为11，步长为4，无padding的卷积层后，得到的feature map的宽高为： (原始宽高 – kernel_size)/步长下取整 + 1 即 （224-11）/4下取整 +1 = 54 在特征提取方面，主要存在两种主流认知： 机器学习的特征提取:手工定义的特征提取函数 神经网络的特征提取：通过学习得到数据的多级表征，并逐级表⽰越来越抽象的概念或模式。 AlexNet 深度卷积神经网络AlexNet首次证明了学习到的特征可以超越⼿⼯设计的特征，从而⼀举打破计算机视觉研究
基于双通道卷积神经网络的深度图超分辨研究
02-12
目前直接获取的深度图受其成像原理及硬件设备等因素的限制,存在分辨率低、边缘信息丢失等缺点,极大地影响了深度图的应用。针对这一问题，提出基于双通道卷积神经网络的深度图超分辨率重建模型。该模型由深、浅两个通道组成，21层的深层通道通过联合卷积与反卷积，结合跳跃连接与多尺度理论，实现深度图细节特征的快速学习；3层的浅层通道用于学习深度图的轮廓特征；最后融合深、浅两个通道，将细节与轮廓相结合，实现由低分辨率深度图到高分辨率深度图的端到端的学习。该模型充分利用卷积神经网络的学习能力自主提取深度图的有效特征，避免了手工提取特征的不准确性。在Middlebury RGBD数据集上的实验结果表明，本文模型在大采样因子8时仍能取得较好的效果，具有很高的实际应用价值。
task05–卷积神经网络
01-06
卷积神经网络中，主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。 （一）卷积的运算 卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按...
卷积神经网络知识学习笔记
02-24
本文来自简书，本文主要讲解了卷积神经网络知识，包括卷积层和池化层的介绍，希望对您的学习有所帮助。卷积神经网络（CNN）是含有卷积层（convolutionallayer）的神经网络，二维卷积层有高和宽两个空间维度，常用来...
tensorflow调试参数技巧整理
灰灰渔渔爱吃鱼
11-18 3275
1：初始化很重要 2：mini batch size处理，深度模型加成，可以训练过拟合数据，如果这样结果都不满意，可直接换个模型试试了。 3：合适的loss function很重要，交叉熵，准确率走起 4：多方使用relu，batchnorm，dropout，adam，Learning Rate动态设置，初始设置要合理 5：图像预处理中选择 mean/std/ zero-center/
卷积神经网络的卷积层
11-25
卷积神经网络（Convolutional Neural Network，CNN）是一种前馈神经网络，主要用于图像和视频识别、分类、处理等方面。卷积层是CNN中的核心层之一，其作用是对输入数据进行特征提取。卷积层内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量（bias vector），类似于一个前馈神经网络的神经元（neuron）。 卷积层的工作原理是将卷积核与输入数据进行卷积运算，得到一个特征映射（feature map）。卷积核的大小通常比输入数据小，因此在卷积运算中，卷积核会在输入数据上滑动，每次滑动一个固定的步长（stride），并对每个位置进行卷积运算，得到一个特征值。这些特征值组成了特征映射，用于表示输入数据的不同特征。 卷积层的参数包括卷积核的大小、步长、填充方式等。填充方式是指在输入数据的边缘填充一些值，以便在卷积运算中保持输入数据的大小不变。卷积层的输出大小取决于输入数据的大小、卷积核的大小、步长和填充方式等参数。 下面是一个卷积层的示例代码： ```python import torch.nn as nn # 定义一个卷积层 conv_layer = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=1, padding=1) # 输入数据 input_data = torch.randn(1, 3, 32, 32) # 卷积运算 output_data = conv_layer(input_data) # 输出特征映射的大小 print(output_data.size()) # 输出：torch.Size([1, 16, 32, 32]) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值