gpt4 book ai didi

machine-learning - 补丁/内核的大小如何影响卷积网络的结果?

转载 作者:行者123 更新时间:2023-11-30 08:52:15 26 4
gpt4 key购买 nike

我正在家里用 tensorflow 玩卷积神经网络(顺便说一句,我已经完成了 udacity 深度学习类(class),所以我有理论基础)。 运行卷积时,patch 的大小会产生什么影响?当图像变大/变小时,这样的尺寸是否必须改变?

我所做的练习之一涉及图像的 CIFAR-10 数据库(32x32 像素),然后我使用 3x3 的卷积(填充为 1),获得了不错的结果。

但是现在我想玩比这更大的图像(比如 100x100),我应该让我的补丁更大吗?我要把它们保留为 3x3 吗?此外,将补丁做得很大会产生什么影响? (比如 50x50)。

通常我会直接在家测试这个,但是在我的计算机上运行它有点慢(没有 nvidia GPU!)

所以问题应该总结为

  1. 当我的输入图像变大/变小时,我是否应该增加/减少补丁的大小?
  2. 增加/减少路径大小会产生什么影响(就性能/过度拟合而言)?

最佳答案

如果不使用padding,较大的内核会使下一层的神经元数量会较少。

示例:大小为 1x1 的内核为下一层提供相同数量的神经元;大小为 NxN 的内核仅给出下一层中的一个神经元。

较大内核的影响:

  • 计算时间更快,内存占用更小
  • 丢失很多细节。想象 NxN 输入神经元,内核大小也是 NxN,那么下一层只给你一个神经元。丢失大量细节可能会导致拟合不足。

答案:

  1. 这取决于图像,如果您需要图像的大量细节,则无需增加内核大小。如果您的图像是 1000x1000 像素大版本的 MNIST 图像,我会增加内核大小。
  2. 较小的内核会给你带来很多细节,它可能会导致你过度拟合,但较大的内核会给你带来很多细节,它可能会导致你欠拟合。您应该调整模型以找到最佳尺寸。有时,应考虑时间和机器规范

如果您使用填充,您可以进行调整,以便卷积后的结果神经元将相同。我不能说这会比不使用填充更好,但与使用较小的内核相比,仍然会丢失更多细节

关于machine-learning - 补丁/内核的大小如何影响卷积网络的结果?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45538980/

26 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com