- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
在所有文献中,他们都说卷积网络的输入层是形状的张量(宽度,高度, channel )。我知道完全连接的网络具有一个输入层,该输入层的神经元数量与图像(包括灰度图像)中的像素数量相同。因此,我的问题是卷积神经网络的输入层中有多少个神经元? below image似乎具有误导性(或者我理解错了),它说输入层中有3个神经元。如果是这样,这3个神经元代表什么?他们是张量吗?根据我对CNN的理解,难道不应该只有一个神经元大小(高度,宽度, channel )吗?如果我错了请指正我
最佳答案
似乎您误解了一些术语,并且也对卷积层具有3维感到困惑。
编辑:我应该清楚地说明CNN的输入层是卷积层。
每一层中神经元的数量由开发人员决定。对于完全连接的层,通常每个输入都有一个神经元。因此,正如您在问题中提到的那样,对于图像,完全连接的输入层中神经元的数量可能等于像素的数量(除非开发人员希望在这一点上进行降采样)。这也意味着您可以创建一个完全连接的输入层,该输入层将占用每个 channel (宽度,高度, channel )中的所有像素。尽管每个输入仅由输入神经元接收一次,但与卷积层不同。
卷积层的工作方式略有不同。卷积层中的每个神经元都有一个所谓的局部感受野。这仅意味着神经元未连接到整个输入(这将被称为完全连接),而仅连接到输入的某些部分(必须在空间上局部)。这些输入神经元提供了输入数据的小部分的抽象,当将它们汇总到整个输入中时,我们将其称为特征图。
卷积层的一个重要特征是它们在空间上是不变的。这意味着他们在整个图像中寻找相同的特征。毕竟,您不希望经过对象识别训练的神经网络仅在图像的左下角识别自行车!这是通过将所有局部接收场的权重约束为相同来实现的。卷积层中覆盖整个输入并寻找一个特征的神经元称为过滤器。这些滤镜是二维的(它们覆盖了整个图像)。
但是,让整个卷积层仅查找一个功能(例如转角)将极大地限制您的网络容量。因此,开发人员添加了许多过滤器,以便该图层可以在整个输入中查找许多功能。该过滤器集合创建一个3D卷积层。
希望对您有所帮助!
编辑-
使用op给出的示例来清理松散的结局:
OP的问题:
因此,假设我们有(27 X 27)图像。假设有3个大小均为(3 X 3)的过滤器。因此,总共有3 X 3 X 3 = 27个参数(W)。所以我的问题是这些神经元如何连接?每个滤镜必须迭代超过27个像素(神经元)。因此,一次将9个输入神经元连接到一个过滤神经元。随着滤镜遍历所有像素,这些连接也会发生变化。
回答:
首先,重要的是要注意,接收场重叠是典型的(而且通常很重要)。因此,对于重叠/跨度为2的左上神经元(神经元A)的3x3感受野,其右侧神经元(神经元B)的感受野也将具有3x3感受野,其最左边的3个连接可以接受与神经元A的最右边连接相同的输入。
话虽这么说,我认为您似乎想对它进行可视化,因此在没有重叠的情况下我将坚持您的示例,并假设我们不希望在图像周围进行任何填充。如果有分辨率为27x27的图像,并且我们需要3个滤镜(这是我们的选择)。然后,每个过滤器将具有81个神经元(9x9 2D神经元网格)。这些神经元中的每一个将具有9个连接(对应于3x3感受野)。因为有3个过滤器,每个过滤器有81个神经元,所以我们将有243个神经元。
我希望这可以解决问题。对我来说很明显,您对术语(层,过滤器,神经元,参数等)感到困惑。我建议您阅读一些博客,以更好地理解这些内容,然后专注于CNN。祝你好运 :)
关于deep-learning - CNN输入层有多少个神经元?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52272592/
基本上,我的问题是,由于无监督学习是机器学习的一种,是否需要机器“学习”的某些方面并根据其发现进行改进?例如,如果开发了一种算法来获取未标记的图像并找到它们之间的关联,那么它是否需要根据这些关联来改进
生成模型和判别模型似乎可以学习条件 P(x|y) 和联合 P(x,y) 概率分布。但从根本上讲,我无法说服自己“学习概率分布”意味着什么。 最佳答案 这意味着您的模型要么充当训练样本的分布估计器,要么
是否有类似于 的 scikit-learn 方法/类元成本 在 Weka 或其他实用程序中实现的算法以执行常量敏感分析? 最佳答案 不,没有。部分分类器提供 class_weight和 sample_
是否Scikit-learn支持迁移学习?请检查以下代码。 型号 clf由 fit(X,y) 获取 jar 头型号clf2在clf的基础上学习和转移学习 fit(X2,y2) ? >>> from s
我发现使用相同数据的两种交叉验证技术之间的分类性能存在差异。我想知道是否有人可以阐明这一点。 方法一:cross_validation.train_test_split 方法 2:分层折叠。 具有相同
我正在查看 scikit-learn 文档中的这个示例:http://scikit-learn.org/0.18/auto_examples/model_selection/plot_nested_c
我想训练一个具有很多标称属性的数据集。我从一些帖子中注意到,要转换标称属性必须将它们转换为重复的二进制特征。另外据我所知,这样做在概念上会使数据集稀疏。我也知道 scikit-learn 使用稀疏矩阵
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
有没有办法让 scikit-learn 中的 fit 方法有一个进度条? 是否可以包含自定义的类似 Pyprind 的内容? ? 最佳答案 如果您使用 verbose=1 初始化模型调用前 fit你应
我正在使用基于 rlglue 的 python-rl q 学习框架。 我的理解是,随着情节的发展,算法会收敛到一个最优策略(这是一个映射,说明在什么状态下采取什么行动)。 问题 1:这是否意味着经过若
我正在尝试使用 grisSearchCV 在 scikit-learn 中拟合一些模型,并且我想使用“一个标准错误”规则来选择最佳模型,即从分数在 1 以内的模型子集中选择最简约的模型最好成绩的标准误
我正在尝试离散数据以进行分类。它们的值是字符串,我将它们转换为数字 0,1,2,3。 这就是数据的样子(pandas 数据框)。我已将数据帧拆分为 dataLabel 和 dataFeatures L
每当我开始拥有更多的类(1000 或更多)时,MultinominalNB 就会变得非常慢并且需要 GB 的 RAM。对于所有支持 .partial_fit()(SGDClassifier、Perce
我需要使用感知器算法来研究一些非线性可分数据集的学习率和渐近误差。 为了做到这一点,我需要了解构造函数的一些参数。我花了很多时间在谷歌上搜索它们,但我仍然不太明白它们的作用或如何使用它们。 给我带来更
我知道作为功能 ordinal data could be assigned arbitrary numbers and OneHotEncoding could be done for catego
这是一个示例,其中有逐步的过程使系统学习并对输入数据进行分类。 它对给定的 5 个数据集域进行了正确分类。此外,它还对停用词进行分类。 例如 输入:docs_new = ['上帝就是爱', '什么在哪
我有一个 scikit-learn 模型,它简化了一点,如下所示: clf1 = RandomForestClassifier() clf1.fit(data_training, non_binary
我是一名优秀的程序员,十分优秀!