machine-learning - 卷积神经网络的正确架构是什么？

Question

我见过几种不同的卷积神经网络 (CNN) 架构。我很困惑哪一个是标准以及如何决定使用什么。我不会对所使用的层数或涉及的参数数量感到困惑；我对网络的组成部分感到困惑。

假设:

CL = 卷积层 SL = 下采样层(池化) CM = 卷积映射 NN = 神经网络 Softmax = softmax 分类器(类似于线性分类器)

1. 架构 1 https://www.youtube.com/watch?v=n6hpQwq7Inw

   CL、SL、CL、SL、CM、Softmax

2. 架构2(最后我们真的需要NN吗？) http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5605630&tag=1

   CL、SL、CL、SL、NN、Softmax

3. 架构 3我的想法

   CL、SL、CL、SL、Softmax

Answer 1

不存在一种万能的 CNN 架构。 CNN 通常被设计为有效捕获输入数据的特征。假设这些特征是分层的，即高级特征由低级特征组成。 CNN 只是奇特的特征提取算法，您可以在其上放置任何您想要的分类器(NN、Softmax 等)。

因此，卷积层用于从输入中提取特征。然后，对图像进行二次采样层，缩小图像的尺寸，以降低计算复杂度并使其具有平移不变性。

卷积映射层与通常的卷积层没有什么不同，我不确定这种区别是否常见。实际上，如果您想处理颜色信息，您的输入(第一个转换层)将不是单个图像，而是多个(例如 3 个)图像，每个图像都是一个单独的特征图。

在 CNN 之上使用什么分类器完全取决于您。您可以使用 Logistic 回归、SVM、NN 或任何其他分类(或回归)算法。