Machine learning 如何确定或计算设计中隐藏/可调参数的数量？
对于我的深度学习任务，我需要设计一个图像分类网络。在这个设计中，我最多可以有500000个隐藏/可调参数 如何计算或观察这些隐藏参数的数量，特别是当我使用tensor flow教程作为初始代码/设计时Machine learning 如何确定或计算设计中隐藏/可调参数的数量？,machine-learning,tensorflow,neural-network,computer-vision,deep-learning,Machine Learning,Tensorflow,Neural Network,Computer Vision,Deep Learning,对于我的深度学习任务，我需要设计一个图像分类网络。在这个设计中，我最多可以有500000个隐藏/可调参数 如何计算或观察这些隐藏参数的数量，特别是当我使用tensor flow教程作为初始代码/设计时 提前谢谢500000平方米？使用每个像素的R、G和B值？如果是，则存在一些问题 1.数据太多（计算时间长） 2.在图像分类中，在将数据输入神经网络之前，公司通常使用其他一些图像分析技术（预处理）。如果你必须使用相同的图像。第二个被一个皮克塞尔移动。对于网络来说，它们可能非常重要。 想象一下其他的神
提前谢谢500000平方米？使用每个像素的R、G和B值？如果是，则存在一些问题 1.数据太多（计算时间长） 2.在图像分类中，在将数据输入神经网络之前，公司通常使用其他一些图像分析技术（预处理）。如果你必须使用相同的图像。第二个被一个皮克塞尔移动。对于网络来说，它们可能非常重要。 想象一下其他的神经网络。使用两个参数，可能是体重和身高。如果你交换这个参数，将会发生什么。 是的，在学习图像网络的过程中可以减少这种影响，但当我用5x5二进制图像做实验时，很难建立网络。我开始使用4层，但这只起到一点作用。 用于列宁的图像可以很好地分类，在去存储后也可以分类，但如果移动一个像素，则会出现问题。 如果没有，则使用ekspepriments或使用遗传算法找到它。 laerning之后，您应该使用一些算法查找网络识别为“不重要”的日期（此输入和其他输入的权重相差很大，如果此输入权重太接近0，则网络“认为”它不重要） 如何计算或观察这些隐藏参数的数量，特别是当我使用tensor flow教程作为初始代码/设计时
- 我将向您展示如何计算自由参数，而不是为您做这些工作
- 最大池数：免费！没错，max pooling没有“自由参数”
- conv：卷积是使用[1,3,3,1]等参数定义的，其中数字对应于张量，如[batch\u size，conv\u size，conv\u size，FEATURE\u DEPTH]。将所有尺寸相乘，得到自由参数的总尺寸。在[1,3,3,1]的情况下，总数为1x3x1=9
- 偏差：偏差类似于卷积，它由[10]或[1342342,3]等形状定义。同样，只需将所有尺寸相乘，即可得到总自由参数。有时偏差只是一个数字，这意味着大小为1
- 完全连接的：完全连接的层通常具有2d形状，如[1024,32]。这意味着它是一个2d矩阵，计算总自由参数就像卷积一样。在本例中，[1024,32]有1024x32=32768个自由参数
最后，您将所有层的所有自由参数相加，这就是您的自由参数总数。Hi@bakayim，如果这回答了您的问题，请接受is作为答案。