Neural network 卷积神经网络滤波器_Neural Network_Conv Neural Network

Neural network 卷积神经网络滤波器

neural-network

Neural network 卷积神经网络滤波器,neural-network,conv-neural-network,Neural Network,Conv Neural Network,当编码卷积神经网络时，我不确定从卷积层开始。当使用不同的卷积滤波器生成不同的特征图时，这是否意味着滤波器具有不同的大小（例如3x3、2x2等）？在大多数示例中，这是如何对卷积神经网络进行编码的良好指示，您会发现从1个卷积层和传递层大小开始，3x3窗口，输入数据功能 model.add(Conv2D(layer_size, (3,3), input_shape = x.shape[1:])) 过滤器大小通常仅在最大池层不同，例如2x2 model.add(MaxPooling2D(pool_s

当编码卷积神经网络时，我不确定从卷积层开始。当使用不同的卷积滤波器生成不同的特征图时，这是否意味着滤波器具有不同的大小（例如3x3、2x2等）？

在大多数示例中，这是如何对卷积神经网络进行编码的良好指示，您会发现从1个卷积层和传递层大小开始，3x3窗口，输入数据功能

 model.add(Conv2D(layer_size, (3,3), input_shape = x.shape[1:]))

过滤器大小通常仅在最大池层不同，例如2x2

model.add(MaxPooling2D(pool_size=(2,2)))

层大小通常从范围

Layer\u size=[3264128]

中选择，您可以对不同的

卷积\u层=[1,2,3]

进行相同的实验，我从未见过同一层中的过滤器有不同的内核大小，尽管可以这样做，但这不是我使用的框架的默认选项。使过滤器产生不同特征映射的是权重

在不同的层上使用不同的内核大小，因为卷积网络的思想是通过下采样层（例如最大池）逐渐降低维度，因此在深层中，您有更小的特征映射和更小的过滤器使其保持卷积和更少的完全连接（具有与图像相同大小的内核相当于具有致密层）

如果你从卷积开始，我建议你玩CNN的交互式可视化，它在很多概念上帮助了我