Image processing 我们如何在CNN中选择内核？（卷积神经网络）
在输入到神经网络之前，有一些用于图像特征提取的核。但是，我们如何理解特定的核将有助于提取神经网络所需的特征。这个问题绝对没有一般的答案，没有确定这些超参数的主要方法。传统的方法是寻找类似的问题和已经证明有效的深度学习架构。然后通过实验开发出合适的体系结构。然而，传统的内核大小是3x3、5x5和7x7Image processing 我们如何在CNN中选择内核？（卷积神经网络）,image-processing,machine-learning,neural-network,deep-learning,conv-neural-network,Image Processing,Machine Learning,Neural Network,Deep Learning,Conv Neural Network,在输入到神经网络之前，有一些用于图像特征提取的核。但是，我们如何理解特定的核将有助于提取神经网络所需的特征。这个问题绝对没有一般的答案，没有确定这些超参数的主要方法。传统的方法是寻找类似的问题和已经证明有效的深度学习架构。然后通过实验开发出合适的体系结构。然而，传统的内核大小是3x3、5x5和7x7 除此之外，还有关于这方面的文章，您可能想看看CNN中选择超参数的艺术。这是您需要通过对图像进行大量试验来获得的。如果图像较小，那么（3，3）的内核大小将是完美的。对于较大的映像，内核大小可以是（7,
除此之外，还有关于这方面的文章，您可能想看看CNN中选择超参数的艺术。这是您需要通过对图像进行大量试验来获得的。如果图像较小，那么（3，3）的内核大小将是完美的。对于较大的映像，内核大小可以是（7,7）。这取决于图像的特征。如果图像中的功能相对较小，那么期望的内核大小较小。我认为您缺少的是，内核值实际上是学习的，而不是像经典图像处理中那样预先设计的。