如何确定卷积层的滤波器？
确定卷积层的滤波器通常需要考虑以下几个因素：
- 任务需求：根据具体的任务需求来确定滤波器的数量和大小。例如，对于图像分类任务，通常会选择较小的滤波器（如3x3或5x5），而对于目标检测任务，可能会选择不同尺寸的滤波器来捕捉不同大小的目标。
- 特征提取能力：滤波器的设计应该能够有效地提取出输入数据中的重要特征。常用的滤波器设计包括边缘检测、模糊、锐化等。可以根据任务需求和数据特点选择合适的滤波器设计。
- 网络结构：滤波器的数量和大小也会受到网络结构的限制。一般来说，较深的网络结构可能需要更多的滤波器来提取更丰富的特征，而较浅的网络结构可能只需要较少的滤波器。
- 计算资源：滤波器的数量和大小也会影响模型的计算复杂度。较大的滤波器和较多的滤波器会增加模型的参数量和计算量，因此需要根据实际的计算资源情况来确定。
总结起来，确定卷积层的滤波器需要考虑任务需求、特征提取能力、网络结构和计算资源等因素。根据具体情况选择合适的滤波器数量和大小，以提高模型的性能和效率。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云人工智能平台：https://cloud.tencent.com/product/ai
- 腾讯云云服务器：https://cloud.tencent.com/product/cvm
- 腾讯云云数据库：https://cloud.tencent.com/product/cdb
- 腾讯云音视频处理：https://cloud.tencent.com/product/mps
- 腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer
- 腾讯云移动开发平台：https://cloud.tencent.com/product/mobdev
- 腾讯云对象存储：https://cloud.tencent.com/product/cos
- 腾讯云区块链服务：https://cloud.tencent.com/product/tbaas
- 腾讯云元宇宙：https://cloud.tencent.com/product/tencent-metaverse
相关·内容
1回答
我读了这篇文章""，它改进了自动编码器中隐藏层的可视化，但我对如何可视化卷积神经网络的滤波器感到困惑。在我看来，对于第一个卷积层，为了可视化滤波器，它需要这个等式：
![]()
对于第二卷积层，它应该将滤波器投影到原始输入空间，但我不知道如何做到这一点。
浏览 2提问于2013-05-15得票数 3
2回答
我有一个关于CNN的问题。如果我们取一个卷积层，它可以有多个滤波器，对吗？这些过滤器都一样吗？一个单一的图层仅仅是为了检测一个特征吗？我对卷积层的工作有点困惑。
浏览 0提问于2022-05-29得票数 0
1回答
我目前正在学习这个纸，以便将它实现到语音识别应用程序中，但在理解时间步长的概念方面似乎存在一些问题。什么是时间步骤？
我以前没有使用过RNN，但我会猜测，在连续的数据流中，时间步长将是时间t处的数据。
但是如何在基于迭代的系统中实现/训练这样的东西呢？
我的意思是像角角，一个不能涉及输出从t-1到t.如果是这样的话，怎么做？，我似乎对此不熟悉.
在另一篇论文里我找到了这个
为了理解RCL的本质，在RCL中引入时间步长的概念是非常有用的。它与与顺序数据关联的时间不完全相同，而是指处理数据时的迭代。
来自用于语音处理的递归卷积神经网络
这进一步证实了我的理论，它是关于作为迭代t-1涉及/处理的数据
浏览 0提问于2017-07-07得票数 2
1回答
Python 3.5 / Windows 10 / tensorflow-gpu 1.12 (GTX 1070)
目标:为3通道图像构建卷积自动编码器。
资料来源：。
本教程使用MNIST数据集，我的图像更大，在3个彩色通道，但我试图适应相应。
我感到困惑的一点是：
inputs_ = tf.placeholder(tf.float32, (None, 28, 28, 1), name='inputs')
conv1 = tf.layers.conv2d(inputs=inputs_, filters=32, kernel_size=(3,3), padding='s
浏览 0提问于2018-12-16得票数 2
回答已采纳
假设我对conv层的输入是256 x 256 x 64，我使用了3x3的32个滤波器，为什么输出深度是32而不是64？卷积是如何在深度轴上进行的？
浏览 2提问于2018-01-11得票数 1
在许多文档中，每个过滤器都有类似于"Example“的图像。我想要可视化我的卷积滤波器，如“示例”图像，但我不知道如何将其可视化。
如何可视化我的卷积滤波器？
浏览 2提问于2016-09-07得票数 17
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
1回答
我是CNN的初学者，我在构建我的网络时使用3D卷积层，但是我无法理解如何计算这个convolution3D层的可训练参数。下面是一个简单的具有输入形状(3，16,112)(通道、帧、高度、宽度)的单层网络的例子，即16幅RGB大小的图像(112*112)：
def get_model(summary=False):
model = Sequential()
model.add(Convolution3D(64, (3, 3, 3), activation='relu',
padding='valid', nam
浏览 0提问于2019-04-15得票数 2
回答已采纳
例如，我们对单个图像应用了32个过滤器。然后，它创建了32个不同的图像(卷积值的堆栈)。
在第二层，如果我们应用64个过滤器，所有这些过滤器都会应用在这32幅图像上吗？如果是这样的话，那么它会产生64*32的输出，还是我理解错了？
我感到困惑，因为当我研究keras文档时，它说使用64个过滤器，它将创建64个输出。如果有人向我简要介绍CNN第二层或更深层的工作原理，这将对我有所帮助。
浏览 0提问于2021-04-22得票数 0
回答已采纳
例如，对于famous AlexNet architecutre ，使用two 3*3 convolution filters在使用one 5*5 convolution filter时有什么区别？
two 3*3 convolution filters和one 5*5 convolution filter在下面的图像中被red rectangle高亮显示。
使用另一个5*5 convolution filter来取代two 3*3 convolution filters，或者反面的句子，怎么样？
浏览 0提问于2018-06-25得票数 0
回答已采纳
例如:如果convnet的'L‘层只包含8个核/滤波器，这意味着在L层中只有8个神经元？
浏览 0提问于2020-03-15得票数 0
1回答
我试图让我的头脑在一维卷积-特别是，填充是如何进入它。
假设我有一个形状(batch,128,1)的输入序列，并通过以下Keras层运行它：
tf.keras.layers.Conv1D(32, 5, strides=2, padding="same")
我得到了一个形状(batch,64,32)的输出，但我不明白为什么序列长度从128个减少到64个.我认为padding="same"参数保持输出长度与输入相同吗？我想，只有在strides=1的情况下，这才是真的；因此，在本例中，我对padding="same"的实际含义感到困惑。
浏览 11提问于2022-02-16得票数 1
1回答
最近我遇到了一篇关于使用反卷积网络进行语义分割的论文：用于语义分割的学习反褶积网络。
网络的基本结构如下：
📷
最终的目标是生成一个概率图。我很难搞清楚如何实现反褶积层。文件中说：
非池层的输出是一个扩大的，但稀疏的激活映射。反褶积层将通过使用多个学习滤波器的卷积类运算解池获得的稀疏激活紧密化。然而，与将滤波器窗口内的多个输入激活连接到单个激活的卷积层相反，反卷积层将单个输入激活与多个输出相关联。反褶积层的输出是一幅放大密集的活化图。我们裁剪扩大的激活映射的边界，以保持输出映射的大小与前一个解池层的大小相同。反卷积层中的学习滤波器对应于重构输入对象形状的基。因此，类似于卷积网络，采用一种分层的
浏览 0提问于2015-11-24得票数 5
回答已采纳
3回答
我的问题是关于每个卷积层之后的特征映射的数目。根据我的研究，在每个卷积层，基于我们想要的滤波器，我们得到特征映射的确切数目。但在一些教程中，我遇到了一些不遵循此原则的体系结构。例如，在本例中：
池后第一卷积层的输出为6个特征图(红线)。在下一个卷积层使用该特征映射，生成16个新的特征映射(绿线)，但如何？以前的每一层功能地图应该创建1，2，3.新的特征映射，我们不应该得到16个新的特征映射在下一层。这是怎么回事？我的假设不对？
浏览 2提问于2018-05-16得票数 7
回答已采纳
2回答
我在看这个层层打印出来的照片。我意识到，这显示了输入/输出，但与如何处理RGB通道无关。
如果你看block1_conv1，上面写着"Conv2D“。但是如果输入是224 x 224 x3，那就不是2D了。
我更大、更广泛的问题是，在整个培训过程中，如何处理3通道输入(我认为这是VGG16)。RGB通道是否在某个时候合并(求和或连接)？何时何地？为此需要一些独特的过滤器吗？还是模型从端到端分别运行在不同的通道/颜色表示上？
浏览 3提问于2020-06-21得票数 6
回答已采纳
1回答
我是计算机视觉的初学者。我想知道过滤器的大小和输出图像上的通道之间的关系。
我的目的是了解大小和通道与卷积神经网络之间的各种关系。
我正在使用tensorflow库，我找到了一个将CNN应用于cifar 10数据集的例子，
数据集由以下内容组成：
数据--一个10000x3072 numpy数组的uint8s。数组的每一行存储一个32x32彩色图像。前1024项包含红色通道值，下一个1024项包含绿色，最后1024项包含蓝色。图像按行大顺序存储，因此数组的前32个条目是图像第一行的红色通道值。
标签--在0-9范围内的10000个数字的列表.
“守则”：
import tens
浏览 1提问于2018-01-26得票数 0
1回答
在阅读卷积神经网络(CNN)时，我经常会遇到在社区和科学论文中使用的一种特殊的表示法，从层次的角度描述网络的结构。然而，我无法找到详细描述这种符号的论文或资源。
有人能向我解释细节或指出它的描述或“标准化”吗？
示例：
input−100C3−MP2−200C2−MP2−300C2−MP2−400C2−MP2−500C2−output (来源)
input−(300nC2−300nC2−MP2)_5−C2−C1−output (来源)
一个很好的猜测是xCy是卷积层(x是滤波器的数目？)Y是方核的一侧？)。MPz是最大池层(池大小z×z?).
但我不想猜测，我希望有一个参考(我可能也可以
浏览 0提问于2018-01-30得票数 3
回答已采纳
2回答
我读过这篇文章，，当我转到这篇文章时: Layer #0:是MNIST数据库中手写字符的灰度图像，它被填充到29x29像素。输入层有29x29= 841个神经元。图层1:是一个有六个特征映射的卷积层。有13x13x6 = 1014个神经元，(5x5+1)x6 =156个重量，1014x26 = 26364从第1层连接到前一层。
如何从图像上的卷积得到六(6)特征图？我想我们只得到一张特征地图。还是我错了？
浏览 2提问于2014-06-18得票数 2
回答已采纳
1回答
CNN AlexNet卷积层
、、、、
如果我错了，请纠正我；输入图像的维度是227x227x3，所以在第一个卷积层之后，输出维度将是55x55x(3x96)=55x55x288 not 55x55x96。 如下图所示： ?
浏览 15提问于2020-04-28得票数 0
回答已采纳
我正在尝试建立一个基于提出的架构的有线电视新闻网。模型图只指定了滤波器和内核大小，而没有指定步幅和填充。这是我第一次从头开始构建cnn，所以我不确定我是不是选择了这些值，还是有什么规则？
我在github上找到了相同cnn的一些版本，它们在每一层使用相同的步幅和填充类型的值，但这些值并不在论文中的任何位置。如有任何帮助，将不胜感激，谢谢！
浏览 1提问于2019-10-30得票数 0
4回答
我正在看theano的API，
theano.tensor.nnet.conv2d(input, filters, input_shape=None, filter_shape=None, border_mode='valid', subsample=(1, 1), filter_flip=True, image_shape=None, **kwargs)
当filter_shape是(num_filter, num_channel, height, width)的元组时，我对此感到困惑，因为这不是由在图像上滑动滤镜窗口时的步幅决定的滤镜数量吗？我怎么能像这样指定过滤器编号呢？
浏览 1提问于2016-03-27得票数 53
回答已采纳
我已经读过CNN的教程，并且注意到卷积层的深度等于滤波器的数量。但是，深度不应该是图像中的颜色数吗？我是说，如果是RGB的话，深度是3，对吧？我是不是漏掉了什么？
浏览 0提问于2018-08-03得票数 1
回答已采纳
2回答
我指的是。
一个2x2内核会有洞，所以它会变成一个3x3内核。
一个3x3内核会有洞，所以它会变成一个5x5内核。
当然，以上假设间隔为1。
我可以清楚地看到，这允许您有效地使用4个参数，但接收字段为3x3和9个参数，但接收字段为5x5。
膨胀卷积的情况仅仅是为了节省参数，同时获得更大的接收场的好处，从而节省内存和计算吗？
浏览 6提问于2016-12-16得票数 15
回答已采纳
我不明白为什么在中，带有2x2过滤器的5x5补丁的卷积产生了32个特性.
卷积每次移动1，因此它应该产生6*6 =36个特征，而不是32个特征。我遗漏了什么吗？
浏览 6提问于2016-10-13得票数 1
回答已采纳
ResNet50在这里：
在“conv_block”中，第一层如下所示：
x = Conv2D(filters1 = 64, # number of filters
kernel_size=(1, 1), # height/width of filters
strides=(2, 2) # stride
)(input_tensor)
我的问题是：
这一层不是会漏掉一些像素吗？
这个1x1卷积只看1个像素，然后移动2个像素(stride=2)。
浏览 1提问于2018-07-03得票数 2
回答已采纳
我试图了解卷积神经网络在图像分割问题中的反褶积是如何工作的。我见过这样的定义：
用于反褶积的滤波器就是卷积矩阵的转置。
📷
这是否意味着卷积层和反褶积层共享相同的滤波器？我们是否为反褶积层训练一组单独的滤波器？
浏览 0提问于2018-10-03得票数 2
2回答
我正在尝试修改tensorflow超视距网络来分类小图像类，图像大小是60*60和3类。我使用tensorflow v0.12在Ubuntu14.04与泰坦X GPU。
我的第一个网络是
import tensorflow as tf
slim = tf.contrib.slim
trunc_normal = lambda stddev: tf.truncated_normal_initializer(0.0, stddev)
def overfeat_arg_scope(weight_decay=0.0005):
with slim.arg_
浏览 3提问于2016-12-22得票数 1
回答已采纳
我注意到在输入图像具有三维的代码中使用了Conv2d层。然而，由于我们只为滤波器输入两个维度，矩阵乘法是如何发生的？
二维滤波器是否将每个输入通道分开(或使用广播)(然后将结果相加)？
或者过滤器的深度是否自动匹配输入的深度(如果是彩色图像，则为3)？如果是这样的话，3x3x3过滤器应该有27个可以训练的权重，而在前一个情况下是9个。
对于conv2d的过滤器尺寸，Tensorflow更加明确(您必须输入高度、宽度、通道、output_channel)。
浏览 0提问于2018-01-02得票数 3
回答已采纳
1回答
我正在处理一个TFRecord数据集，其中包含一个3D对象的横截面的多个灰度图像，最终的形状为32,256,256。尺寸32表示横截面的数量，它明显小于其他尺寸。
正因为如此，我想知道我是否可以将数据视为32个通道的2D数据，而不是将数据视为只有一个通道的3D数据，尤其是在所需的计算资源方面。我现在在Google Colab中使用TensorFlow和TPU，使用tf.layers.conv2d而不是tf.layers.conv3d将节省大量内存，减少填充。
这两种方法之间有什么显著的区别吗，或者有什么我可能应该遵循的惯例？使用conv2d会以任何方式损害我的准确性吗？
浏览 6提问于2019-11-17得票数 1
回答已采纳
1回答
最大池层的输入输出通道数
、、、、
这就是吴荣奎在“课程深度学习专业”中他的汇集层视频中所描绘的：
📷
这就是他在“盗梦空间”网络视频中所画的：
📷
注意，在第一张幻灯片中，输入和输出通道的数量与池层独立地处理每个通道相同，因此产生的输出通道与输入中的输出通道一样多。但在第二张幻灯片中，最大池的输出通道数和输入通道数是不同的:最大池的输入通道数为192条(包围橙色)，输出通道数为32条(包围红色)。在这个例子中，最大池是如何在不同数量的信道中输出的？我错过了什么细节？
浏览 0提问于2022-01-03得票数 0
1回答
我正在学习Convolutional Neural Network，现在我对如何实现它感到困惑。
我知道常规的神经网络和像Gradient Descent和Back Propagation这样的概念，我也能理解CNN是如何直观地工作的。
我的问题是关于CNN的反向传播。它是如何发生的？最后一个完全连通的层是规则神经网络，这是没有问题的。但是我如何更新卷积层中的滤波器呢？如何将错误从完全连接的层反向传播到这些过滤器？我的问题是更新过滤器！
过滤器只是简单的矩阵？或者他们有像规则神经网络这样的结构，并且层间的连接模拟这种能力？我读过关于Sparse Connectivity和Shared Weig
浏览 1提问于2018-05-13得票数 0
回答已采纳
我正在尝试用tensorflow后端在keras中训练一个预先训练过的inceptionv3模型。
我有一个训练数据集，大小为10,000张图片(299,299张)(它们是灰度)。我将其转换为tensorflow的输入形状为(10000,299,299,1)。当我试图拟合inceptionv3模型时，我得到了一个错误
ValueError:检查输入时出错:期望input_1具有形状(无，3)，但得到了形状数组(10000,2999,299，1)
我尝试更改张量的输入形状，使用
input_tensor = Input(shape=(299,299,1))
base_model = In
浏览 1提问于2017-06-30得票数 1
回答已采纳
1回答
从这个中学习
model = Sequential()
model.add(Conv2D(32, (3, 3), padding='same', # why filter is 32?
input_shape=x_train.shape[1:]))
model.add(Activation('relu'))
model.add(Conv2D(32, (3, 3))) # why filter is not changed?
model.add(Activation('relu'))
model.a
浏览 4提问于2019-12-06得票数 1
回答已采纳
1回答
我当时正在读一篇像样的论文，我碰到了一个部分(page3，table1，分类器)，其中特征映射上使用了卷积层，以便作为内部过程的一部分产生二进制分类输出。因为我是个菜鸟，当有人跟我谈论分类时，我会自动与FCs和softmax相结合，我开始怀疑……这有可能做吗？真的可以用卷积层来对二元结果进行分类吗？整个概念激发了我的想象力，我坚持要得到答案.
，老实说，这到底是怎么回事？为了分类目的，使用卷积滤波器而不是完全连接的层有什么区别？
编辑(关于它是如何工作的不确定的答案)：我问了一位同事，他告诉我，在当前阶段使用与特征映射的长宽形状相同的过滤器，可能会导致一个可学习的二进制输出(考虑到您还将特征映
浏览 2提问于2021-05-13得票数 1
回答已采纳
2回答
在中，作者提出的体系结构如下所示。
。
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
2回答
我很难理解CNN中2个或更多个卷积层(每个卷积层后面是一个池化层)的工作方式。
假设输入是3通道300x300图像。如果第一卷积层具有32个卷积层，并且第二层具有64个卷积层，则第一层创建32个特征图。但是第二层创建了多少个特征图呢？64个卷积中的每个卷积是否都作用于之前生成的32个特征图，从而总共创建32*64 = 2048个特征图？或者发生了其他事情？
与这个问题相关的一个简单代码是：
model = keras.models.Sequential([
keras.layers.Conv2D(32, (3, 3), activation='relu', input_shap
浏览 1提问于2020-08-02得票数 4
4回答
我不明白为什么渠道维度不包括在Keras中的conv2D层的输出维度中。
我有下面的模型
def create_model():
image = Input(shape=(128,128,3))
x = Conv2D(24, kernel_size=(8,8), strides=(2,2), activation='relu', name='conv_1')(image)
x = Conv2D(24, kernel_size=(8,8), strides=(2,2), activation='relu', name=&#
浏览 5提问于2019-03-31得票数 13
1回答
所以，我正在用keras模型做我的项目，用数据图像做一些训练，也就是说，我可以得到我训练过的图像的输出分类。结果很好。但是，我想在我构建的keras模型上添加一些图像属性。例如，我想使用opencv在keras上添加hsv图像属性，这样它们就可以一起训练。
image_hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
在添加卷积层之后，我想添加这个特性。我想要的是
from keras import layers
input_ = layers.Input(shape = [96, 96, 3])
conv2 = layers.Conv2D(32, (3
浏览 0提问于2018-12-17得票数 1
回答已采纳
1回答
关于CNN中两个卷积层之间的互连，我有一个问题。例如，假设我有这样的体系结构：
投入:28x28
conv1: 3x3过滤器，不。过滤器: 16
conv2: 3x3过滤器，不。滤器: 32
在conv1后，假设图像维数不降低，则输出为16x28x28。所以我们有16个特征地图。在下一层中，每个特征映射连接到下一层意味着，如果我们将每个特征映射(28x28)看作一个神经元，那么每个神经元将连接到所有32个滤波器，即总计(3x3x16)x32参数。这两层是如何堆叠或相互关联的？在人工神经网络的情况下，我们有两层之间的权重。CNN里也有这样的东西吗？如何将一个卷积层的输出输入到下一个卷积层？
浏览 0提问于2017-03-05得票数 2
回答已采纳
我一直在学习卷积神经网络。在查看Keras示例时，我遇到了三种不同的卷积方法。即一维、二维和三维。这三层之间有什么区别？他们的用例是什么？是否有一些链接或引用来显示它们的用例？
浏览 0提问于2019-05-06得票数 17
回答已采纳
我对神经网络很陌生，但我对线性代数和卷积的数学有很好的理解。
我试图理解我在网络上的不同地方找到的示例代码，以便用MNIST数据训练Keras卷积神经网络来识别数字。我的期望是，当我创建一个卷积层时，我必须指定一个或多个过滤器来应用于输入。但我发现的三个样本都创造了这样一个卷积层：
model.add(Convolution2D(nb_filter = 32, nb_row = 3, nb_col = 3,
border_mode='valid',
input_shape=input
浏览 0提问于2017-01-23得票数 35
回答已采纳
1回答
引言
据我从了解到的是，Size of the output volume表示给定以下参数的神经元数：
输入体积尺寸(W)
Conv层神经元(F)的接收场大小，即内核或滤波器的大小
应用(S)或我们用来移动内核的步骤
边界使用(P)的零填充量
我贴了两个例子。在示例1中，我完全没有问题。但是，在示例2中，我感到困惑。
示例1
在真实世界示例部分中，它们以[227 x 227 x 3]输入映像开始。参数如下：F = 11, S = 4, P = 0, W = 227。
我们注意到卷积有一个K = 96深度。(为什么？)
output volume的大小是(227 - 1
浏览 8提问于2016-07-27得票数 4
回答已采纳
1回答
有人能解释卷积和次采样层之间的区别吗？
在卷积步骤中，我们定义了带权值的卷积滤波器()，而在次采样步骤中，我们应用卷积滤波器，并使用大步和池来确定它们的大小，这是正确的吗？
浏览 2提问于2018-12-05得票数 0
回答已采纳
1回答
我正在尝试理解计算机视觉的卷积网络中的过滤器的概念。我知道它们是做什么的，例如，它们可以用来降低输入图像的维度，等等。我的问题是这些过滤器是从哪里来的？
例如，我正在看一个教程，它显示了要检测垂直线滤镜，我们可以使用形状为[ [-1, 0 , 1], [-1, 0 , 1], [-1, 0 , 1] ]的3x3 /edge……我们是怎么想出这个矩阵的？即使使用Keras，我也只需要传递我想要使用的过滤器数量
model.add(Conv2D(64, (3, 3), padding='same', input_shape=x_train.shape[1:]))
其中64是我想要应
浏览 5提问于2019-04-02得票数 0
2回答
我一直在尝试理解在DeConvNets中解池和解卷积是如何工作的。
取消池化
而在解池阶段，激活将恢复到最大激活选择的位置，这是有意义的，但剩余的激活怎么办？这些剩余的激活是否也需要恢复，或者以某种方式内插，或者只是在未池化的映射中填充为零。
反卷积
在卷积部分(即，卷积层、Relu、池化)之后，通常具有多个特征地图输出，这些输出将被视为连续层( Deconv.)。如何将这些功能图组合在一起，以获得与原始输入分辨率相同的激活图？
浏览 1提问于2016-01-28得票数 17
回答已采纳
为了实现一个特定的函数，我需要在我的层中有"input_channels“数量的内核，每个内核只有一个通道深度，而不是input_channels= "input_channels”。我需要将一个内核与一个通道的输入进行卷积，因此该层的输出将具有"input_channels“数量的内核。
哪一个python/numpy/tensorflow卷积函数可以允许这样的卷积，其中内核中的通道数量不一定总是等于"input_channels“，而可以是1？
提前感谢您的帮助。
(如果有人想知道我都试过什么，
在tensorflow的conv2d函数中，如果我指
浏览 0提问于2019-03-26得票数 0
我需要在数据集上构建一个CNN模型，该数据集有65536行(每个列代表1个图像)、49列(7x7图像)和二进制类(第50列)。(7800行测试集)
我正在引用使用mnist数据集执行CNN的例子，但我未能构建火车模型。
这是我的密码：
from __future__ import print_function
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
浏览 1提问于2017-04-18得票数 0
回答已采纳
2回答
在一个卷积网(CNN)中，有人回答我，过滤器是随机初始化的。
我不介意，但是，当有梯度下降时，谁在学习呢？特征图还是过滤器？我的直觉是，过滤器在学习，因为它们需要识别复杂的事物。但我想确定一下。
浏览 3提问于2016-12-12得票数 1
回答已采纳
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
2回答
我们知道CNN中的卷积层使用滤波器，不同的滤波器会在输入图像中查找不同的信息。
但是假设在这个中，我们有一个prototxt文件，它有卷积层的规范，如
layer {
name: "conv2_1"
type: "Convolution"
bottom: "pool1"
top: "conv2_1"
param {
lr_mult: 1.0
decay_mult: 1.0
}
param {
lr_mult: 2.0
decay_mult: 0.0
}
convo
浏览 4提问于2018-01-12得票数 0
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
实时音视频
即时通信 IM活动推荐
腾讯云开发者
