Deep learning 深度学习模型的维度问题
我似乎在理解本文中所描述的是如何设计的方面存在一些问题 这是关于模型维度的内容 …在这些实验中，我们使用了一个卷积层，一个poolgply 顶部有两个完全连接的隐藏层。完全连接的 每层有1000个单位。卷积和池参数 它们是：池大小为6，移位大小为2，过滤器大小为8150 FWS的地图 那么根据^模型是由 输入 卷积 汇集 输入为150个特征图，每个特征图的形状为8,3 当核大小为8时，协解为1d 合球是6码和2码的 预期的输出是1的形状，过滤器的数量，但我得到的是14，过滤器的数量 我明白为什么会这样，但我不明白这篇论文怎么会给出1个滤波器的输出形状 当使用100个过滤器时，我从每一层获得这些输出 卷积1D给我33100 共有14100人 为什么我期望输出是1而不是14Deep learning 深度学习模型的维度问题,deep-learning,classification,dimension,Deep Learning,Classification,Dimension,我似乎在理解本文中所描述的是如何设计的方面存在一些问题 这是关于模型维度的内容 …在这些实验中，我们使用了一个卷积层，一个poolgply 顶部有两个完全连接的隐藏层。完全连接的 每层有1000个单位。卷积和池参数 它们是：池大小为6，移位大小为2，过滤器大小为8150 FWS的地图 那么根据^模型是由 输入 卷积 汇集 输入为150个特征图，每个特征图的形状为8,3 当核大小为8时，协解为1d 合球是6码和2码的 预期的输出是1的形状，过滤器的数量，但我得到的是14，过滤器的数量 我明白为什么
该模型应该能够识别手机，它以50帧150帧（包括delta）作为输入，这些是上下文帧，这意味着这些帧被用作检测单个帧的支持。。。这通常是使用上下文窗口的原因 正如我从你的问题中了解到的，形状14，“过滤器的数量在池层之后。这是意料之中的 你要做的是将结果展平成一个向量，然后再将其送入两层完全连接的网络
Marcin Morzejko在中回答我的问题会有所帮助 现在还不清楚这个问题在问什么我一直跟踪你直到最后你得到了什么结果以及没有预料到的是什么希望现在更有意义我不认为重塑结果是可能的。。提出的模型并没有建议修改它，这可能会影响模型的性能……我认为重塑输出不是一个合适的解决方案。。我希望数学正确，以免弄乱东西。