machine-learning - 模型如何选择卷积神经网络不同层中使用的滤波器？

Question

和我们很多人一样，我对 CNN 很陌生，当讲座和教程谈到您选择所需过滤器数量的部分时，我感到很困惑。我感觉我正在选择许多内核/过滤器来传递数据。我熟悉高通和低通滤波器。如果我决定使用 64 个过滤器，如何选择过滤器？它们是随机的吗？它们来自特定的集合吗？过滤器是否特定于不同的模型(resnet 与 r-cnn 等)？如果我说 32 个过滤器，它们总是相同的过滤器吗？我所说的过滤器类型是过滤器/内核，例如这些 https://en.wikipedia.org/wiki/Kernel_(image_processing)或 performing convolutions 的解释

我对在整个模型中保持不变的过滤器感兴趣。我知道过滤器上的权重是模型正在学习的内容。我想这些可以称为过滤器、内核或特征。我的看法是图像补丁乘以内核并产生响应图。响应图上的偏差项就是该内核的学习权重。

Answer 1

过滤器是在训练期间为特定任务学习的模型参数。它们是初始化过滤器权重的多种方法，但一个简单的方法是从正态分布中提取。

网络的结构(例如，有多少个 CNN 层以及每层要学习多少个过滤器)是由您设置或筛选的超参数。