1回答
我们正试图在FPGA上构建一个前向卷积神经网络。我们构建的配置是基于LeNet-5架构的。
在第一个卷积层中，没有问题。只有一个输入(照片)，并给出6个输出(6个特征图)和6 (5*5)过滤器。但在第二卷积层，有6个输入(这是第一个最大池层的输出)和16个带有16 (5*5*6)滤波器的输出。我们的研究告诉我们：“你有6个输入和(5*5)个深度为
浏览 24提问于2019-10-26得票数 0
回答已采纳
2回答
“用卷积层替换完全连接的层，将它们转换成完全卷积的网络，该网络接受任意大小的输入和输出分类图。”。
传统的CNN不能做到这一点，因为它有一个完全连接的层，它的形状是由输入图像大小决定的。每当我做了一个FCN，我只能让它工作在一个固定维度的输入图像，用于培训和测试。但是在论文的摘要中，他们指出：“我们的关键洞察力是建立”完全卷积“的网络，它接受任意大小的输入，并
浏览 0提问于2019-08-02得票数 0
回答已采纳
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
浏览 1提问于2020-04-06得票数 1
1回答
我似乎有一些问题，了解如何设计本文所描述的
输入联营
输入是150个特征地图(每个都有形状(8,3) )。人们期望输出的形状是(1，“过滤
浏览 4提问于2017-05-22得票数 1
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，这条线是否意味着卷
浏览 1提问于2019-11-18得票数 2
回答已采纳
2回答
假设一个卷积层接受一个尺寸为5x100x100的输入X，并应用10个过滤器( F 5x5x5 )，从而生成一个输出O 10功能映射96x96。在反向传播期间，该层接收形状为10x96x96的\frac{dE}{dO}。
我的问题是如何计算\frac{dE}{dF}？根据那篇文章，\frac{dE}{dF}可以计算为X和\frac{dE}{dO}之间的卷积。不幸的是，这篇文章没有涉及多个过滤器和多个输入通道的情况。在这
浏览 0提问于2018-09-28得票数 7
回答已采纳
我正在创建一个CNN，第一个隐藏层的大小为80，其余的conv层为160，最后一个隐藏层为128。但我总是遇到错误信息，我不知道这意味着什么。输入的数据形状是(80，80，1)，这就是我输入到神经网络的内容。
浏览 0提问于2020-03-07得票数 0
回答已采纳
2回答
输入维数为25x64，然后第一个Conv层应用100个卷积，因此输出维数为25x64x100。Max池将其减少到13x32x100。
第二Conv层应用150个卷积。对我来说不清楚的是第二层之后的维数。不是应该是13x32x150x100 (而不是13x32x150)吗？卷积层是如何应用于三维输入的？第一个conv层的权重数为7x7x100，第二层的权重数为5x5
浏览 0提问于2020-01-31得票数 1
1回答
假设我们有一个卷积神经网络训练分类(w.l.o.g. )。灰度)图像，张量流。假设对于与输入图像直接相关的第一层卷积，我们对每个卷积核wrt的参数都有梯度。分类函数。如何将梯度传播回输入层，从而在图像的每个像素上计算偏导数？
传播和积累的梯度，将给我们突出
浏览 1提问于2016-06-29得票数 4
回答已采纳
4回答
现在我正在学习卷积神经网络。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
2回答
卷积神经网络中核大小的变化
、、、、
我一直在从头开始创建一个卷积神经网络，并对如何处理隐藏卷积层的内核大小感到有点困惑。例如，假设我有一个MNIST映像为input (28 x 28)，并将其置于以下层中。kernel_size = (5,5)有32个输出通道的卷积层
如果我现在想要创建一个内核大小= (5
浏览 0提问于2018-10-25得票数 0
我知道这两者有什么区别，但是我对它们的使用有点困惑。我也见过一些混合了这两种模式的车型。背后的逻辑是什么？还是只是随机的东西？
浏览 0提问于2020-11-18得票数 6
回答已采纳
在重塑维度之后，my model1的model1变成：然后，我应用CNN输入层定义如下：这里1以上是通道数，3,4表示我的节点表示12个输入节点或特性，现在我检查output_shape of model1，它是：
model1.output_shape：(无，128
浏览 0提问于2018-12-03得票数 0
1回答
到目前为止，我理解了以下几点：
这一层然后作为一个基本的神经网络，并预测结果。我理解在后期完全连接的层中的权重和偏差，但我无法理解如何在CN
浏览 1提问于2019-05-09得票数 2
2回答
让我困惑的是，在每个构建块中都有两个卷积层，就像图1和图2所示。以这种方式放置卷积层而不是将它们聚合到单个卷积层中的主要动机是什么？
浏览 0提问于2017-02-01得票数 2
1回答
重用神经网络
、、、
我有以下情况，我的输入是一组图像(它们的顺序不应该对输出有任何影响)。集合的大小不是固定的，但在大多数情况下小于10。我对整个集合的输出只是一个二进制分类(通过/失败)。我将有一个卷积神经网络，它计算两个输出，一个权重和一个通过/失败的值。每个图像分别提供给这个CNN，然后使用加权算术平均值将结果值聚合为最终的通过/失败值。我的训练数据中没有CNN输出的值，只有聚合后的输出。在面向梯度的框架中，这通常是可能的吗?还是我必须使用遗传算法来实现
浏览 10提问于2016-08-17得票数 1
回答已采纳
1回答
我对卷积神经网络中的多通道方案感到困惑。假设我有一个10(宽度)*5(高度)*6(通道)图像，我将它输入到默认的二维卷积层中，其中包含stride=1和padding=0，期望输出为8(宽度)*3(高度)*16(通道)。我知道内核的大小是3(宽度)*3(高度)，但我不知道到底有多少内核，以及如何将其应用于输入数据以给出最后的16个通道。
有人能帮我吗。
浏览 1提问于2021-03-09得票数 0
回答已采纳
3回答
如果如截图中所示，已经创建了CNN，那么如何解释model.summary()所描述的输出。我无法理解不同层次的输出形状。
浏览 4提问于2020-04-06得票数 8
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
云直播
对象存储
实时音视频活动推荐
腾讯云开发者
