Deep learning 非平方卷积核大小

卷积神经网络通常使用平方大小的核，即（3,3）、（5,5）等

---

使用非平方内核大小的利弊是什么？意思是（3,7）、（3,9）等。我想不出有什么缺点。这实际上取决于你想要什么以及你的数据是什么

当使用平方大小的内核时，使用该内核将该区域转换为conv输出中的一个点。 因此，使用一个正方形，输出中的每个点都是从输入点的一组加权邻域（与水平邻域数量相同）中获得的

但是，如果使用非正方形的内核大小，比如说3×9的内核大小，则使用水平方向比垂直方向多3倍的值映射每个输入点（反之亦然）。根据数据的性质，这可能会简化您的培训过程并提高准确性。（例如，如果您试图检测非常大的细鳄鱼）。

---

毕竟，这些都是我的观点，不是100%的科学事实。

您可以使用任意大小的内核。内核不一定是正方形的，特别是当您希望更加关注沿着特定方向的进程时。事实上，沿图像中特定轴的移动平均是一个矩形形状的简单过滤器。

平方大小内核背后的原因是，您通常不知道学习的特征将具有什么方向。所以你不想限制网络。过滤器的最佳形状是一个圆，因此它可以在给定半径的区域内学习任意方向的任何特征。由于这是不可行的，因为执行问题的一个正方形，它的下一个最佳形状

例如，如果您知道所有学习到的特性的比率为1x3（高x宽），那么您可以使用2x6这样的内核大小。但你就是不知道。即使你说你想要检测/分类的对象看起来像这样，它也不会转化为网络将学会识别它的特征。 整体优势在于，您可以让网络了解这些功能，在我看来，您应该尽可能少地限制这些功能

但我不想让你泄气。深入学习需要大量的实验和反复试验。所以你自己试试看吧。也许对于某些问题，它实际上表现得更好，谁知道呢