machine-learning - 我应该为 Keras 使用哪些层？

Question

我正在 Keras 中构建一个示例项目。该项目旨在识别猫和狗之间的区别。我找到了example在线模型如下:

model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(3, 150, 150)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

我的问题是，人们如何知道要使用哪些层？何时使用 Conv2D 与 Conv1D 与另一层是否有指导原则或经验法则？

Answer 1

简而言之 - 他们没有。提出良好的架构是当前深度学习研究的主要内容。有一些经验法则、直觉，但主要是经验或应对据报告有效的现有规则。

简而言之:

• 当数据具有空间和/或时间结构(例如图像、视频、声音等)时，就会使用卷积。
• 池化与卷积具有类似的用例，它仍然需要空间和/或时间结构(除非它应用于整个 channel /维度)，并提供了一种去除“细节”(通常是噪声)和减少维度的方法信号
• 当数据具有连续字符时会重复出现
• 需要完全连接来“强制”给定维度(因此通常用作最后一层)，或者当人们并不真正知道任何可以利用的结构时(因为它们几乎是最通用的结构)

然而，如何构建、使用哪些超参数、使用多少个超参数是一个巨大的开放研究问题，一开始最好的方法是复制别人的架构并获得一些经验/直觉，了解什么是有效的，什么是有效的不适用于您正在使用的数据。