卷积层的超参数:
- Kernel卷积核的大小
- 填充Padding
- 步幅Stride
1. 卷积层里的填充Padding
2 卷积层里的步幅Stride
3. 代码实现
3. Q&A
-
- 超参数 核大小,填充一般是核大小-1,步幅一般看是否需要优化计算的速度。
-
- 卷积核的变长一般选奇数,方便计算。
-
- 一般大家直接用经典的网络结构,比如 ResNet 用的居多。
-
- 机器学习本质就是压缩的算法,机器学习永远都会丢失信息的,跟信息论是一样的。
-
- 底层用大Kernel,上层用小Kernel
-
- 不同的卷积层,可以理解成识别图像的多种不同的纹理。
-
- 工业革命就是用机器替代人力。科学的也是从贵变便宜的过程。
参考
https://www.bilibili.com/video/BV1Th411U7UN?p=1