Neural network 如何选择每个卷积层中的滤波器数量?
在构建卷积神经网络时,如何确定每个卷积层中使用的滤波器数量。我知道没有关于过滤器数量的硬性规定,但根据您的经验/阅读的论文等,是否有关于使用过滤器数量的直觉/观察 例如(我只是编了个例子):Neural network 如何选择每个卷积层中的滤波器数量?,neural-network,deep-learning,keras,conv-neural-network,Neural Network,Deep Learning,Keras,Conv Neural Network,在构建卷积神经网络时,如何确定每个卷积层中使用的滤波器数量。我知道没有关于过滤器数量的硬性规定,但根据您的经验/阅读的论文等,是否有关于使用过滤器数量的直觉/观察 例如(我只是编了个例子): 随着网络的深入,使用更多/更少的过滤器 使用大/小内核大小的较大/较小过滤器 如果图像中感兴趣的对象是大/小,请使用 正如你所说,这方面没有硬性规定 但是你可以从VGG16中获得灵感 它使每个conv层之间的过滤器数量增加了一倍。 对于内核大小,我通常保留3x3或5x5 但是,你也可以看看谷歌的《盗梦空间
- 随着网络的深入,使用更多/更少的过滤器
- 使用大/小内核大小的较大/较小过滤器
- 如果图像中感兴趣的对象是大/小,请使用
它们使用不同的内核大小,然后对它们进行压缩。非常有趣。就我而言,卷积层没有模糊的深度。以下是几点建议:
谢谢你的洞察力。您还可以评论一下图像类型(数据集)如何影响过滤器或内核的选择吗?对于过滤器的数量,由于图像通常有3个通道(RGB),因此不应该有太大的变化。(3->64->128…)对于内核大小,我总是保持3x3或5x5,并且总是运行良好。但是你必须进行测试,以找到解决问题的最佳方案。