一维卷积神经网络输入形状问题
一维卷积神经网络（1D CNN）是一种深度学习模型，用于处理具有序列结构的数据，如时间序列数据或文本数据。它通过在输入数据上应用一维卷积操作来提取特征，并通过池化操作减少特征的维度。1D CNN在许多领域中都有广泛的应用，包括自然语言处理、语音识别、音乐生成等。
1D CNN的输入形状问题是指如何确定输入数据的形状以适应1D CNN模型。对于一维数据，输入形状通常是一个二维矩阵，其中一个维度表示时间步长（或序列长度），另一个维度表示特征维度。例如，对于文本数据，可以将每个单词表示为一个向量，并将整个文本表示为一个矩阵，其中每一行是一个单词的向量表示。
在确定输入形状时，需要考虑以下几个因素：
- 序列长度：根据具体的应用场景和数据特点，确定输入序列的长度。较长的序列可能需要更多的计算资源和时间来训练模型，而较短的序列可能会丢失一些上下文信息。
- 特征维度：根据输入数据的特征维度确定输入矩阵的列数。对于文本数据，可以使用词嵌入技术将每个单词映射为一个固定长度的向量，然后将这些向量作为输入矩阵的列。
- 填充和截断：如果输入序列的长度不一致，可以使用填充或截断操作将其调整为固定长度。填充是在序列的末尾添加特定的值（如0）使其达到固定长度，而截断是将序列的长度截断为固定长度。
- 批处理：在训练过程中，通常会将多个样本组成一个批次进行并行处理。确定批次大小可以根据计算资源和模型性能进行调整。
对于一维卷积神经网络输入形状问题，可以根据具体的应用场景和数据特点进行调整。以下是一些腾讯云相关产品和产品介绍链接，可用于构建和部署1D CNN模型：
- 腾讯云AI开放平台：提供了丰富的人工智能服务和工具，包括自然语言处理、语音识别等，可用于构建和训练1D CNN模型。链接：https://cloud.tencent.com/product/ai
- 腾讯云云服务器（CVM）：提供了高性能的云服务器实例，可用于训练和部署1D CNN模型。链接：https://cloud.tencent.com/product/cvm
- 腾讯云对象存储（COS）：提供了可扩展的云存储服务，可用于存储训练数据和模型参数。链接：https://cloud.tencent.com/product/cos
请注意，以上链接仅供参考，具体的产品选择应根据实际需求和预算进行评估。
相关·内容
2回答
新图像尺寸的传递学习
、、、
转移学习:将经过训练的神经网络用于新的分类任务。
当我们想要用卷积神经网络进行传递学习时，我们不需要使用与训练所用的图像大小相同的图像大小。但如果我们改变输入的大小，我们将不得不重新训练完全连接的层。见这篇文章是关于堆栈溢出的。
我不明白为什么改变输入形状不会影响卷积层的重量和为什么它会影响完全连接的层权重。
如果我的问题听不懂，请告诉我。
浏览 0提问于2019-08-16得票数 1
回答已采纳
你好，我对深造社区有点陌生，我已经厌倦了如何通过神经网络来输入数据。所以我在做哨兵比目鱼系列，我在学习对流网。他正在使用微软在kaggle上的猫狗数据集。他将图像大小调整为50乘50，并将其转换为灰度。如果你想看视频来回答我的问题，那就是-
所以在看视频的时候，我脑海里浮现出一些想法。他传递的输入只是图像的颜色通道-
一看到他输入的信息，我就想起了，为什么他只通过通道的数目，这是一幅灰度图像。当一个conv2d接受3个输入时。
而且我的意思是，它在理论上是可行的。我试着研究了一下，但是没有找到一个很好的解释输入形状的方法。
所以我有两个想法和问题-
因此，这条线是否意味着
浏览 1提问于2019-11-18得票数 2
回答已采纳
1回答
具有动态输入形状的CNN
、、、、
大家好！
由于我试图制作一个完全卷积的神经网络，将灰度图像转换为rgb图像，我想知道是否可以在不同大小的图像(不同的像素和比率)上训练和测试模型。通常情况下，你只会降低样本或高样本，这是我不想做的。我听说，如果我使用完全卷积神经网络，这是可能的，但我仍然不知道代码会是什么样子。你能帮我弄点密码吗？
，为什么这是个问题？
就像我说的，输入的图像不应该被降采样，因为我没有分类任何东西。我想要生成一个与输入图像大小相同的新图像。所以不应该有任何损失。
固定输入形状的代码：
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3),
浏览 0提问于2019-04-19得票数 1
回答已采纳
1回答
我有一个包含100000个二进制三维形状数组(6，4，4)的数据集，所以我输入的形状是(10000，6，4，4)。我正在尝试使用Keras建立一个三维卷积神经网络( input_shape )；但是，我输入的这个3D卷积神经网络似乎有一个问题。我的第一层是：
model.add(Conv3D(20, kernel_size=(2, 2, 2), strides=(1, 1, 1), activation='relu', kernel_initializer='he_uniform', input_shape=(None, 6, 4, 4, 1)))
我收到的错误
浏览 1提问于2021-06-11得票数 0
回答已采纳
1回答
我很抱歉，如果这个问题对你们来说非常明显或者非常基础，我只是一个高中生，试图理解神经网络。嘿，我已经研究了很多关于图像分类的问题，我在解释Inception-v3模型时遇到了这个问题：
我不习惯这些类型的插图，有人可以通过每个矩形的含义，以及为什么模型没有看起来像典型的神经网络插图的层，具有不同的层，例如：
浏览 0提问于2018-07-24得票数 3
我正在建立一个一维卷积神经网络(CNN)。我从许多来源了解到，如果增加更多的层，CNN的性能就会提高。但是，在每个池层，输出形状比输入小50% (因为我使用的池大小为2)。这意味着我不能添加更多的层，一旦我的输出有形状1。
是否有办法克服这个“减少形状问题”，还是仅仅是增加输入形状的问题？
浏览 1提问于2018-07-09得票数 0
回答已采纳
1回答
我从一个信号中创建了4 x 4 2d图像。现在，我想把这些数据输入到卷积神经网络中。如何为这个小的、形状和大小的数据集( filter, Kernel Size )选择D1的节点。我应该使用最大池层吗？
注：我已经为这个数据集实现了一个模型，精度是78.125%。模型是，
📷
浏览 0提问于2020-11-23得票数 0
1回答
我需要建立一个神经网络来识别多个特定形状的配置(方形，三角形…)。在图像中并改变它们的颜色作为输出。
因此，神经网络将以32x32x1 (灰度)作为输入，32x32x3作为输出。我的问题是:我应该用什么样的函数来训练我的神经网络。因为我读了一些文章来找出来，这不是一个分类或回归问题(据我所理解)，所以我有点迷失了，因为我是新来的。
考虑到我有一个与输入映像相对应的输出映像的数据库，我可以在上训练网络，在这个项目中使用Tensorflow进行
浏览 1提问于2020-10-31得票数 0
回答已采纳
3回答
卷积神经网络的记忆估计
、、、
大家好,
我正在研究一个用tensorflow和卷积神经网络进行图像分类的问题。我的模型有以下几层。
大小为2456x2058的输入图像
3卷积层{Con1-形状(10，10，1，32)；Con2-形状(5，5，32，64)；Con3-形状(5，5，64)}
3最大池2x2层
1层完全连接。
我尝试使用NVIDIA工具，但它显示了GPU的内存消耗，因为模型运行。
我想知道在GPU上运行模型之前，是否有任何方法或方法来找到内存的估计值。这样我就可以在考虑可用内存的情况下设计模型。
我试过使用这个，但是我的计算内存和观察到的内存使用并不是很接近。
谢谢大家抽出时间。
浏览 8提问于2017-05-31得票数 1
回答已采纳
1回答
这绝对是一个新手问题。caffe中的视频分类任务。
我有一个神经网络，我必须用视频(图像组)进行训练。我可以从几个选项中选择更改网络输入的形状。
在所有情况下，我都假设网络架构(层的排列和数量)和学习参数(LR/衰减/正则化等)是恒定的。
例如，我可以选择将我的输入作为以下内容之一提供给网络。
1) batch_size x (no_of_imgs*no_of_channels) x高x宽{3维输入}
2) batch_size x no_of_imgs x no_of_channels x高x宽{4维输入}
3) batch_size x no_of_channels x no_of_img
浏览 2提问于2016-05-25得票数 2
1回答
我正在经历扩展的残余网络博客帖子。在这篇文章中，作者在2.Multi-scale Context aggregation标题下提到了这一点。
最后一个是1×1卷积，用于映射与输入信道数相同的信道数。因此，输入和输出有相同的通道数。它可以嵌入到不同类型的卷积神经网络中。
我想，我们决定在下一层的通道数和内核将被随机初始化。这些核形状是由我们决定的，它们是1x1或3x3等，所以，作者说1x1卷积来映射与输入one.When相同的通道数是什么意思，即使它的2x2卷积核不改变通道数。
浏览 0提问于2019-03-20得票数 0
1回答
我正在尝试使用keras建立一个非传统的神经网络，但在有效设置时遇到了问题。 前几层是标准的卷积层，这些层的输出有d个通道，每个通道都有n x n的图像形状。 我想要做的是使用一个密集层将这个d x n x n张量映射到大小为n x n的单个图像上。我想定义一个密集层，输入大小为d，输出大小为1，并将此函数应用于输入上的每个“像素”(输入深度跨通道)。 到目前为止，我还没有找到一个有效的解决方案。我已经尝试了首先定义一个完全连接的层，然后循环到输入中的每个“像素”，然而这需要很多小时来初始化模型，我担心它会减慢backprop，因为计算可能没有正确地并行化。 有没有一种有效的方法来做到这一点
浏览 11提问于2019-04-10得票数 0
回答已采纳
1回答
我用Keras训练了一个完全卷积的神经网络。我使用了Functional，并将输入层定义为Input(shape=(128,128,3))，这与我的训练集中图像的大小相对应。
但是，我想对变量大小的图像使用经过训练的模型(这应该可以，因为网络是完全卷积的)。为此，我需要将输入层更改为Input(shape=(None,None,3))。解决这个问题的显而易见的方法是直接使用(None,None,3)的输入形状来训练我的模型，但是我使用了一个定制的丢失函数，在这里我需要指定我的训练图像的大小。
我试图定义一个新的输入层，并将其分配给我的模型，如下所示：
from keras.engine imp
浏览 0提问于2018-04-27得票数 6
1回答
我正试图在我的卷积神经网络中实现批归一化()，但是对于我应该计算均值和方差的轴线，我真的很困惑。
如果conv层的输入为3* 224 * 224 * 32
其中：
3-输入通道。
224 * 224-单通道形状
32-小型批次大小
以下公式中的轴应该是什么？
平均值= numpy.mean(input_layer，axis=？)
如果完全连接层的输入是形状为100 * 32
其中：
100-投入数量
32-小型批次大小
同样，下面的公式中的轴应该是什么？
平均值= numpy.mean(input_layer，axis=？)
浏览 2提问于2016-03-03得票数 3
回答已采纳
我正在阅读下面的教程，它使用MNIST手写数字数据库。
https://machinelearningmastery.com/handwritten-digit-recognition-using-convolutional-neural-networks-python-keras/
28x28大小的图像数据必须被重塑成一个784像素的一维矢量。28x28=784。为什么多层感知器只坚持输入数据的一维矢量？卷积神经网络和递归神经网络不存在接受高维输入形状的问题。
浏览 0提问于2018-08-18得票数 2
1回答
我最近实现了一个简单的感知器。这种类型的感知器(由一个神经元组成，在输出中提供二进制信息)只能解决类可以线性分离的问题。
我想在8乘8像素的图像中实现简单的形状识别。例如，我希望我的神经网络能够告诉我，我画的是不是一个圆。
如何知道这个问题是否有类是线性可分的？因为有64个输入，它还可以线性分离吗？一个简单的感知器能解决这种问题吗？如果没有，什么样的感知器可以？我对此有点困惑。
谢谢！
浏览 4提问于2017-06-04得票数 1
回答已采纳
1回答
我将大小为100 or的图像表示为100 or，因此我可以拥有形状(None, 100, 100, 3)或形状(None, 10000, 3)。
我找不到任何明确的解释谷歌，然而，以下两个张量会导致类似的结果吗？
(None, 100, 100, 3)
(None, 10000, 3)
我假设这两种方法都足够了，就像我想的那样，神经网络仍然能很好地学习，如果图像是在一排，你的想法呢？
浏览 1提问于2019-03-21得票数 0
回答已采纳
1回答
我设计了一个使用2d卷积层和最大池化层的神经网络，输入形状为输入，一个热编码序列作为2d阵列。然后在输入模型之前对其进行重塑。
data = np.zeros( (100, 21 * 1000), dtype=np.float32 )
#reshape
x_data = tf.reshape( data, [-1, 1, 1000, 21] )
然而，我使用了相同的数据集，使用了1D卷积层，通过更改模型和输入数组，而不像1D data = np.zeros( (100, 1000,21), dtype=np.float32 )那样进行整形
最后，一维卷积模型以96%的act表现良好。2d CN
浏览 3提问于2020-07-11得票数 0
与现有的conv2d()几乎相同，但我想向它添加一个特殊的函数。
假设我们的形状为5x5过滤器，形状为100x100输入。
据我理解，conv2d()在内部做：
从整个输入中选择一个5x5输入区域。
计算5x5输入区域与滤波器之间的卷积。
以给定的步数进入下一个输入区域。
相反，customized_conv2d()内部希望这样做：
从整个输入中选择一个5x5输入区域。(相同)
从5x5输入区域中的每个值减去f(5x5输入区域)的标量值。(加)
计算5x5输入区域的减去值与滤波器之间的卷积。(相同)
以给定的步数进入下一个输入区域。(相同)
其中f(
浏览 4提问于2017-12-25得票数 3
4回答
现在我正在学习卷积神经网络。
为什么CNN必须有固定的输入大小？
我知道可以克服这个问题(用完全卷积的神经网络等)，而且我也知道，这是由于在网络的末尾放置了完全连接的层。
但是为什么呢？我无法理解完全连接层的存在意味着什么，以及为什么我们被迫有一个固定的输入大小。
浏览 0提问于2019-11-30得票数 9
回答已采纳
通常，卷积神经网络的输入由具有给定width*height*channels的图像来描述。对于不同数量的批处理大小，输入节点的数量是否也会有所不同？也就是说，输入节点的数量会变成batch_size*width*height*channels吗
浏览 0提问于2018-06-12得票数 1
我已经使用几个Conv1D层创建并训练了神经网络。我的输入尺寸是125x3。我对每个Conv1D层使用相同的内核大小。我尝试了几种内核大小2、5、25、50甚至125，我使用的是“相同的”填充。Keras在内核大小等于输入大小的情况下工作，这对我来说是出乎意料的。更令人意想不到的是，126的内核大小也是有效的。内核大小为126，大于输入大小的架构示例：
inputs = keras.Input(shape=(125,3),dtype='float32')
out1 = Conv1D(20,126,padding='same',activation='re
浏览 0提问于2020-10-10得票数 0
2回答
在所有文献中，他们说convnet的输入层是形状(宽度、高度、通道)的张量。我了解到，一个完全连接的网络有一个输入层，其神经元数量与图像中的像素数相同(考虑灰度图像)。那么，我的问题是，在一个卷积神经网络的输入层中有多少个神经元？似乎具有误导性(或者我理解错了)，它说输入层有3个神经元。如果是这样，这3个神经元代表什么？它们是张量吗？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，频道)吗？如果我错了，请纠正我
浏览 1提问于2018-09-11得票数 9
1回答
我已经看到这个疑问发布了几次，但没有得到任何答案，至少我特别困惑，关于重塑是如何工作的，为什么它是必要的。我将尽量简短并切中要害。
因此，我在TensorFlow文档中读到，当你实现细胞神经网络时，在将数据输入卷积层之前，需要对数据进行整形，因为卷积层接受4D张量，而不仅仅是元素列表(下载的训练数据)。
卷积池过程的输出也是一个4D张量。它被送入扁平层。Now...the扁平层，用于接收在将其传递给卷积之前需要整形相同列表元素。但是，为什么这两种方法都适用于扁平层呢？它正在接收项目列表(不能直接馈送到卷积)，现在正在接收4D张量。
因此，如果没有卷积，扁平层接收未整形的数据，如果有卷积池，它接
浏览 1提问于2020-04-06得票数 1
1回答
我正在实施一个深层次的神经网络结构，这是一年前发表的，以与我自己的工作进行比较。发表的神经网络将CNN作为神经网络的组成部分之一。CNN的轮廓可以看到。
总之，一维卷积是由带有2x6输入矩阵的2x6核执行的。作者从上述卷积中提取了32个特征。我已经写信给作者，但还没有收到任何关于如何提取这32个特征的答复。
如果在座的任何人能帮我弄清楚这32个输出特性是如何产生的，我将非常感激。
非常感谢。
浏览 2提问于2022-07-02得票数 -1
回答已采纳
我想在这个架构的Keras中实现一个神经网络:假设我有一些输入，它们属于某些组。然后神经网络是这样的：
input -> some layers -> separate inputs by groups -> average inputs by groups -> output
简而言之，我想按组分离输入，然后按组取输入的平均值。
例如，如果我有一些输入张量1，2，3，4，5，6，它们属于两个组0，1，1，0，0，1，那么我希望输出张量是这样的: 3.333，3.666，3.666，3.333，3.333，3.666。这里3.333是组1、4、5的平均值，3.666是组
浏览 4提问于2018-10-12得票数 1
我正在尝试使用带有GPU的Tensorflow后端的Keras来训练3层稠密神经网络的模型。
我所拥有的数据集是400万个20x40px图像，我把它们放在目录中，其中包含了它们所属的类别的名称。
由于数据量很大，我无法将其全部加载到RAM中，并将其提供给我的模型，因此我认为使用，特别是函数flow_from_directory()就可以做到这一点。这产生了(x，y)的元组，其中x是图像的numpy数组，y是图像的标签。
我希望模型知道访问numpy数组作为我的模型的输入，所以我将输入形状设置为：( None , 20 , 40 ,3)其中没有批处理大小，20和40是图像的大小，3是图像中的通道
浏览 4提问于2017-12-17得票数 0
回答已采纳
因此，在tensorflow中的卷积神经网络cifar10示例中，在cifar10.py的inference()方法中，我看到了以下几个例子：
bias = tf.reshape(tf.nn.bias_add(conv, biases),conv.get_shape().as_list())
看起来，重塑是为了确保bias_add(value, bias)的输出具有价值的形状。
我的问题是，tf.reshape()是必要的吗？是否存在tf.nn.bias_add(value, bias)不会返回与值形状相同的张量的情况？
浏览 5提问于2015-11-16得票数 7
回答已采纳
2回答
我有一个由235个元素组成的x_train数组，每个元素是一个由125行和125列组成的numpy数组。我需要这个数组的形状为(235,125,125)，以便输入到我的卷积神经网络模型(类似于我们需要输入MNIST数字数组(6000,28,28)时的情况，其中我们有60000个样本，每个样本都是28x28数组)
谁能告诉我如何将x_train数组重塑为(235,125,125)？
P.S我最初将x_train从pandas系列转换为numpy数组以下是快照
浏览 20提问于2020-02-16得票数 1
回答已采纳
我试图在keras中使用Conv1D和双向LSTM来进行信号处理，但是对每个时间步骤进行多类分类。
问题是，尽管Conv1D和LSTM使用的形状在某种程度上是等价的：
Conv1D：(批处理，长度，通道)
LSTM：(批处理，timeSteps，特性)
Conv1D的输出为= (length - (kernel_size - 1)/strides)，因此不再匹配LSTM形状，即使不使用MaxPooling1D和Dropout。
更确切地说，我的训练集X有n个有1000个时间步长和一个通道的样本(n_samples，1000，1)，我使用了LabelEncoder和OneHotEncod
浏览 3提问于2017-12-01得票数 1
回答已采纳
3回答
我正在运行一个使用keras的预训练模型的分类和预测神经网络算法。现在我知道keras的输入形状是(224,224,3)，但是我的输入具有这个形状(180, 200, 20)，并且我得到了以下错误：
ValueError: Dimension 0 in both shapes must be equal, but are 3 and 64. Shapes are [3,3,20,64] and [64,3,3,3]. for 'Assign_32' (op: 'Assign') with input shapes: [3,3,20,64], [64,3,3,3]
浏览 0提问于2019-08-20得票数 0
3回答
我在识别信号时遇到了问题。假设信号是一个准周期信号，周期时间是有限的。信号的“形状”必须符合一定的准则，所以实际的算法采用了信号处理技术，如滤波、推导信号、寻找最大值和最小值等。它在发现好的信号方面有很好的比率，但问题是它也能检测到错误的形状。
所以我想使用人工智能--主要是神经网络--来解决这个问题。我认为一个具有一些平均输入(信号可以减少)和一个输出的多层网络应该显示从0到1的“匹配”。然而，问题是我从来没有做过这样的事情，所以我请求帮助，如何实现这样的事情？如何教神经网络获得预期的结果？(假设我有输入向量，输出应该是1)
或者整个想法都是对这个问题的错误近似？我对任何学习算法或想法都持开
浏览 3提问于2012-12-29得票数 1
回答已采纳
1回答
多类神经网络
、、、、
这可能是一个错误的问题，或者是什么东西，所以请随意纠正我:)。
我已经研究神经网络好几周了。我偶然发现了使用神经网络的多类分类模型。
📷
正如我们在这张图中所看到的，模型允许您将输入分类为不同的类。但这也假设您的输入总是使用相同的数字特性，对吗？这意味着，如果我想识别手写数字，我应该有相同维数的图像(例如24x24)，这样我就可以使用相同数量的特性(在本例中是24x24=576)。但是，如果一个类，例如6号，需要不同数量的特征(比如手写数字6的尺寸是30×30像素)，该怎么办？
我知道这样做的逻辑方法是有两个不同的神经网络，但有没有办法同时训练一个多类别的分类模型，其中输入可能使用不同的特征？
浏览 0提问于2018-10-26得票数 1
回答已采纳
我的第一层神经网络是这样的：
model.add(Conv1D(filters=40,
kernel_size=25,
input_shape=x_train.shape[1:],
activation='relu',
kernel_regularizer=regularizers.l2(5e-6),
strides=1))
如果我的输入形状是(600,10)
我将(None, 576, 40)作为输出形状
如
浏览 2提问于2017-08-03得票数 9
回答已采纳
1回答
我想计算CNN的给定隐藏层输出的形状，所以假设输入形状是(27,27,27,1)，即一个图像通道，第一个卷积层是16X(3,3,3)核，步长是1，填充是0，所以这一层的输出形状是：(25,25,25, 16 )，16对应于这一层中的核的数量，所以这里我们有16个体积的形状(25,25,25)，之后，我们有一个32X(3,3,3)核的第二卷积层，步长是1，填充是0，因此，这一层中的每个内核都应该(通常)应用于这一层的整个输入体积，即(25,25,25,16)，但这里的输出是形状(23,23,23,32)，如果我基于conv2d，我所理解的是，每个内核都应用于输入中的整个体积，我们将所有内核的结果
浏览 0提问于2020-06-03得票数 0
1回答
如何处理Keras中的大图像？
、、、、
我正在研究Keras上的机器学习问题。我的目标是训练输入为(4214, 22311)矩阵，输出为(22311,)向量的模型。
这样的二维数据可以作为图像输入来处理，但大多数图像分类器只对形状(200, 200)的小图像进行分类。
我尝试了几种在Keras上建立模型的方法，例如CNN、双向LSTM或简单的神经网络(平坦和密集)。但它们都不起作用。
我没有完成一个时代就接受了killed。所以我想知道什么样的结构能处理这么大的输入。
浏览 3提问于2017-09-21得票数 0
回答已采纳
2回答
Keras能处理不同大小的输入图像吗？例如，在完全卷积神经网络中，输入图像可以具有任意大小。但是，当我们通过Keras创建网络时，我们需要指定输入形状。因此，我们如何使用Keras来处理不同的输入大小而不将输入图像调整到相同的大小？谢谢你的帮助。
浏览 4提问于2016-10-02得票数 44
2回答
我正在建立我的第一个神经网络与煤角和坦索弗洛。我把输入输入到一个形状数组(60000，28，28)中，但是当我试图将它输入到模型中时，我会得到一个错误，即输入形状是错误的。
我尝试了多个不同的输入形状，包括(60000，28，28) (1，28，28) (28，28) (28，28，1)，但它们似乎都没有工作。
model = kr.Sequential()
model.add(InputLayer(input_shape=(60000, 28, 28)))
model.add(Dense(units=784, activation='relu'))
model.add(De
浏览 1提问于2019-05-28得票数 0
回答已采纳
1回答
我正在尝试理解2D卷积神经网络和2D深度卷积神经网络在计算方面的异同。(我理解这些概念)。
例如，假设有一个3x3的输入图像，具有3个通道(RGB)，填充为1，步长为1。滤波器为2x2。
输出是什么？(可以忽略激活和偏差)
我知道普通的conv2D会有13x3的输出，而dw conv2D会有3。除此之外，我有点困惑。谢谢
浏览 0提问于2019-06-10得票数 4
我试着训练一个分类器，把粒子物理探测器拍摄的图像分成两类。对于每一幅图像，我还有一个坐标(x，y，z)，描述粒子相互作用发生的地点。这个坐标是非常有用的理解这些图像的眼睛，但没有一个明显的转换为加权图像像素。
我一直在尝试一些基本的机器学习技术--学习，输入103个特征的数据点:坐标的三个轴，以及图像的10x10像素。不幸的是，这些基本的技术并没有解决这个问题，所以我想我应该尝试利用卷积神经网络的特性。因为我以前从未尝试过，Keras似乎是一种简单的开始方式。
看看Keras，我发现我应该提供一个输入形状。我大概可以使用(103)的输入形状，但是如果我正确地理解CNN，我就会失去CNN在图像上
浏览 2提问于2016-06-17得票数 0
回答已采纳
我正在用torch7(LUA5.3)，实现一个神经网络来训练mnist数据集，但是我在torch中发现了两个奇怪的问题：
1.当数据大小相同时，卷积层比全连通线性层慢。
2.卷积层在GPU(带CPU 9.0的泰坦X)中比在CPU中慢
我做了一些简单的实验来证明：
第一个问题的：
(1)当批处理尺寸为500，特征尺寸为784(28 * 28)时，对于完全连通的线性层，输入大小为500*784，输出大小为300(我们将其设置为300)，转发数据需要1.67s。
(2)在相同批次大小的情况下，卷积层为3.07s，输入2为500×1×28*28，意味着有1个通道的500张图片，图像为28*28。卷积
浏览 7提问于2017-12-22得票数 1
1回答
我的问题是如何在tensorflow (1.4)中找到一种高效(主要是参数计数)的方法来实现滑动窗口，以便在图像中应用一个神经网络，并生成一个二维映射，每个像素(或区域)表示对应的接收字段(在这种情况下是滑动窗口本身)的网络输出。
实际上，我试图使用tensorflow实现或，但我无法理解我找到的实现。
这两种架构可以简单地描述为：
MTANN:将输入大小为1，N，N,1和输出大小为1，M，M,1的线性神经网络应用于1，M，M，1的图像，生成1，G，G,1大小的映射，其中生成的映射的每个像素对应于对应的NxN贴片属于某一类的可能性。
PatchGAN鉴别器:更通用的体系结构，因为我可以
浏览 1提问于2018-11-21得票数 2
2回答
我正在努力学习深入学习，特别是使用卷积神经网络。我想在一些音频数据上应用一个简单的网络。现在，据我所知，CNN经常用于图像和物体识别，因此在使用音频时，人们通常使用谱图(特别是mel-谱图)而不是时域上的信号。我的问题是，使用光谱图的图像(即RGB或灰度值)作为网络输入更好，还是应该直接使用光谱图的2d幅值？有什么不同吗？
谢谢。
浏览 4提问于2016-06-18得票数 1
回答已采纳
我在由2d图像组成的数据样本上使用卷积层。滤镜形状的一个选项是1x2，它作用于两个相邻像素的1x2连续块。如果我想要一个也作用于2个像素的滤镜，但这两个像素之间被另一个像素分隔开了怎么办？在神经网络中编码这样的卷积滤波器是可能的吗？
浏览 7提问于2017-07-05得票数 3
我使用Matlab预先训练了3d卷积层的权重。权重是一个维度为(512,4,4,4,160)的5维张量。out_channels、filter_depth、filter_height、filter_width、in_channels
现在我想将它作为初始权重输入到tensorflow的tf.nn.conv3d中进行微调。我认为3d卷积神经网络允许的权重形状应该是：(4,4,4,160,512).filter_depth，filter_height，filter_width，in_channels，out_channels。我可以只使用tf.Variable().reshape(4,4,4,16
浏览 0提问于2016-11-08得票数 0
1回答
我试图了解卷积神经网络在NLP中的作用。
例如，我的输入语句矩阵有维度(100,200)。这里100是我的句子长度，200是嵌入单词的维度。
然后利用卷积层提取特征。在Keras中，类似于Conv1D(filters=128, kernel_size=3, padding='same', activation='tanh', strides=1)。
，但是为什么输出维度是(100,128)?，我可以理解第一个数字，因为我使用填充相同的，并且跨距1，所以维度应该是相同的。但是为什么第二维度是128，不是应该是200*128吗？内核到底是什么样子的？我假设它只是沿着
浏览 0提问于2018-07-13得票数 0
3回答
通过对神经网络的研究，我发现神经网络的每一层都负责识别输入数据的一个特征。例如，如果我们建立一个神经网络，对汽车、公共汽车、货车和自行车进行分类，一个层将负责识别轮胎，另一个负责识别车辆的大小。问题是，为什么这是真的？也就是说，每个层的表现似乎与其他层相似，并且没有针对每个层的特殊设计。是否有任何方法为每个层分配一个特定的特性，或者它是隐式完成的？
浏览 0提问于2018-06-05得票数 3
1回答
我正在读效率网:卷积神经网络的再思考模型缩放的报纸，我无法理解这句话：
从直觉上看，复合缩放方法是有意义的，因为如果输入图像较大，那么网络需要更多的层来增加接收域，需要更多的通道来捕获更大图像上更细粒度的模式。
在大图像的情况下，为什么网络需要更多的层来增加接收域？增加接受场意味着什么？增加它的宽度/高度？如果是这样的话，我们可以直接做到这一点而不增加网络中的层数吗？
“细粒度模式”指的是我们在可视化卷积输出后可以看到的噪声形状吗？
我觉得我好像错过了/误解了一些显而易见的东西。
浏览 0提问于2020-02-11得票数 3
回答已采纳
2回答
Keras中神经网络的维数误差
、、、、
我正在尝试实现一个神经网络，其中我合并/连接一个完全连接的神经网络和卷积神经网络。但是，当我拟合模型时，我会得到以下错误：
ValueError:所有输入数组(x)都应该有相同数量的样本。获得阵列形状：(1,100，60,4500)，(100,4500)
我有两种不同的输入：
image(dimensions: 1,100,60,4500)其中1是通道，100：#样本，60*4500 (我的图像尺寸)。这就是我的卷积神经网络
positions(dimensions: 100,4500)：其中100指样品。
输出的尺寸是100,2。
我的神经网络的代码是：
###Con
浏览 0提问于2019-03-15得票数 2
回答已采纳
1回答
CNN凯拉斯:将训练多少个重量？
、、、、
我对CNN的理解有点问题。我不太确定有多少过滤器和重量被训练。
示例:我有一个32x32像素和3个通道的输入层(即(32,32,3)的形状)。现在我使用了一个二维卷积层和10个形状的(4,4)滤波器。因此，我最终得到了10个通道，每个通道的形状都是(28,28)，但是现在是为每个输入通道训练一个单独的过滤器，还是它们是共享的呢？我是训练3x10x4x4还是训练10x4x4？
浏览 1提问于2018-06-05得票数 3
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
