Tensorflow 为什么Gramian矩阵适用于VGG16，但不适用于EfficientNet或MobileNet？
使用在ImageNet上训练的VGG16分类网络的中间特征向量。当时，这可能是一个不错的选择，因为VGG16是性能最好的分类之一。如今，有更高效的分类网络在分类性能上超过VGG，同时需要更少的参数和触发器，例如EfficientNet和MobileNetv2 但当我在实践中尝试这一点时，VGG16特征的Gramian矩阵似乎代表了图像样式，因为其对于风格相似图像的L2距离小于对于风格无关图像的L2距离。对于根据EfficientNet和MobileNetv2功能计算的Gramian矩阵，情况似乎并非如此。非常相似的图像之间和非常不相似的图像之间的L2距离仅变化约5%Tensorflow 为什么Gramian矩阵适用于VGG16，但不适用于EfficientNet或MobileNet？,tensorflow,deep-learning,vgg-net,style-transfer,efficientnet,Tensorflow,Deep Learning,Vgg Net,Style Transfer,Efficientnet,使用在ImageNet上训练的VGG16分类网络的中间特征向量。当时，这可能是一个不错的选择，因为VGG16是性能最好的分类之一。如今，有更高效的分类网络在分类性能上超过VGG，同时需要更少的参数和触发器，例如EfficientNet和MobileNetv2 但当我在实践中尝试这一点时，VGG16特征的Gramian矩阵似乎代表了图像样式，因为其对于风格相似图像的L2距离小于对于风格无关图像的L2距离。对于根据EfficientNet和MobileNetv2功能计算的Gramian矩阵，情况似乎
从网络结构来看，VGG、EfficientNet和MobileNet都有卷积，它们之间有批量规范化和ReLU，因此构建块是相同的。那么，哪种设计决策是VGG独有的，这样它的Gramian矩阵就能捕捉到这种风格，而EfficientNet和MobileNet则不然？到目前为止，我发现：Gramian矩阵需要部分相关的功能才能正常工作。较新的网络使用脱落正则化器进行训练，这将减少特征间的相关性。到目前为止，我发现：Gramian矩阵需要部分相关特征才能正常工作。较新的网络使用脱落正则化器进行训练，这将减少特征间的相关性