前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >[知乎作答]·神经网络对于输入的维度不一致的处理

[知乎作答]·神经网络对于输入的维度不一致的处理

作者头像
小宋是呢
发布2019-06-27 14:16:47
2.8K0
发布2019-06-27 14:16:47
举报
文章被收录于专栏:深度应用

[知乎作答]·神经网络对于输入的维度不一致的处理

本文内容选自笔者在知乎上的一个作答,总结下来作为神经网络对于输入的维度不一致的处理教程。。

1.问题描述

神经网络中,如果每次输入的维度不一致应该怎么处理? 神经网络中,如果每次输入的维度不一致应该怎么处理?假设一队人,有时候这队人有三个(3个输入神经元),有时候这堆人有四个(四个输入)。

2.笔者作答

由于一般网络对输入尺寸有固定的要求。这是为什么呢?因为网络的机构和参数决定了需要固定。这是一个在深度学习开发很常遇到的问题。 解决方法有两个途径: 一是从数据进行操作,数据对齐,这个其实在图片识别上面很常见,就是把图片resize成目标大小。(ImageNet上常用224x224)。但是这种处理不适用于一维的序列,例如语音和心电图等。针对一维数据需要开发人员自定义方法,最简单的就是制定一个合适的长度,超出部分截取,不足部分填充(填充方式也需要好好选择,最简单方式是补充零,常见的还有复制方法) 二是从网络结构处理,其实需要真正固定参数的都是全连接网络,CNN和RNN采用了层间共享参数的设置,参考这里《[深度思考]·为什么CNN是同步(并行)而RNN是异步(串行)的呢?》https://blog.csdn.net/xiaosongshine/article/details/88825575。可以处理不同长度输入,只是输出长度受输入长度控制。其实只需要把输出给处理一下变为固定长度然后再送去全连接中。有什么操作可以完成这个需求呢?全局池化和图像金字塔可以实现。 最后谈谈各自方法优缺点,方法一对齐数据,可能会损失特征,但是可以batch训练,实现起来简单。方法二自适应网络,实现起来有些复杂,batch训练也有些麻烦,目前笔者实现的只能设置batch_size为1。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2019年06月02日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • [知乎作答]·神经网络对于输入的维度不一致的处理
  • 1.问题描述
  • 2.笔者作答
相关产品与服务
批量计算
批量计算(BatchCompute,Batch)是为有大数据计算业务的企业、科研单位等提供高性价比且易用的计算服务。批量计算 Batch 可以根据用户提供的批处理规模,智能地管理作业和调动其所需的最佳资源。有了 Batch 的帮助,您可以将精力集中在如何分析和处理数据结果上。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档