我在看，我注意到在第一个convnet层之后，它们进行池化，然后标准化，但在第二层之后，它们进行标准化，然后池化。我只是想知道这背后的理由是什么，以及关于我们何时/为什么应该在池之前选择规范的任何提示都将不胜感激。谢谢!
浏览 87提问于2017-02-03得票数 5
1回答
Convnet训练错误没有减少
、、、、
三个同等比例的班级:左转，直走，右转具体而言，卷积可能是问题所在，因为浅层单隐层convnet的性能很差，但是没有卷积的两个隐层完全连接的神经网络的准确率约为65
浏览 0提问于2017-06-11得票数 6
回答已采纳
1回答
有什么办法，我可以可视化的输出CNN或池层，而培训，甚至测试在tflearn？我已经看到了tensorflow的可视化代码，但是自从会话和反馈涉及到它们之后，我就不断地得到错误，就像“无法理解的numpy.ndarray”一样，但是图像的尺寸是一样的，所以我决定问是否有一种方法可以可视化任何层的输出下面是我的tflearn图层代码：-
X_tra
浏览 0提问于2018-03-27得票数 3
回答已采纳
2回答
我编写了这个示例代码，以便在将它传递给我的模型后只显示一个图像。该模型应该只有一个卷积层和一个池层。或者用另一种方式，我如何通过把一张图像传递给一个简单的神经网络，它有一个卷积层和一个池层来可视化一个图像呢？class ConvNet(nn.Module): super().= ConvNet().t
浏览 11提问于2022-11-15得票数 0
回答已采纳
3回答
可以应用于卷积层或密集层。如果是这样的话，是在池后还是在池之前以及在应用激活之后使用呢？
我见过这里，但由于缺乏参考，我找不到有价值的答案。
浏览 0提问于2017-12-16得票数 5
回答已采纳
1回答
我在python中从零开始制作了一个卷积神经网络来分类MNIST手写数字(集中式)。它由8个3x3核的单卷积网络、2x2个最大池层和一个以softmax为激活函数的10个节点密集层组成。当我把整个训练集训练成一个批次大小为1的时代时，我的准确率为95%。然而，当我尝试一个较大的批次大小(16，32,128)时，学习变得非常嘈杂，最终的准确率在47%-86%之间。为什么我的网络在小批
浏览 0提问于2021-02-04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。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<em
浏览 1提问于2016-01-28得票数 17
回答已采纳
2回答
在关于目标检测的教程中，提到了快速的R-CNN。ROI (感兴趣区域)层也被提及。
当区域提案根据最终的卷积层激活函数(在每个单元中)调整大小时，在数学上会发生什么？
浏览 1提问于2017-04-16得票数 27
回答已采纳
我正在用Py手电筒进行序列建模，并试图确定池层和线性解码层的顺序是否重要。考虑到我有一个具有(Batch, Seqlen, dim_model)形状的序列，并且我想将它转换为(Batch, dim_output)，那么我需要一个池层来减少第二维(SeqLen)，并需要一个仿射转换来将5)
这会否：与以下相同：
y = pool
浏览 3提问于2022-03-28得票数 0
在深度学习U-net中，下采样公式是(w-k+2*p)/S +1，但这里我必须计算上采样公式，假设当前层大小为8x8x32到下一层大小为16X16x32，则此上采样计算的公式是什么。
浏览 1提问于2020-08-30得票数 0
1回答
重用神经网络
、、、
我对神经网络非常陌生，但对于我的一个项目来说，它们似乎很合适。最终，该应用程序应该可以在Android手机上运行。我的想法是使用TenserFlow，但我不确定它是否合适。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<
浏览 10提问于2016-08-17得票数 1
回答已采纳
1回答
我正在尝试建立一个用于面部识别的convnet。我使用keras和这个命令来创建生成器和规格化值： ImageDataGenerator(rescale=1./255) 由于我的数据集由黑白和彩色照片组成，应用值归一化(使用1/255)是否正确，否则会扭曲黑白照片
浏览 23提问于2019-02-11得票数 0
BatchNormalizationLayer被认为是神经网络中的一个层吗？例如，如果我们说Resnet50有50个层，这是否意味着其中一些层可能是批规范化层？在Keras中构建模型时，我认为它是额外的，类似于退出层或添加“激活层”。但BatchNormalization有可训练的参数所以..。我很困惑
浏览 1提问于2020-12-05得票数 2
回答已采纳
2回答
我可以在CNN中使用层标准化吗？
、、、、
我看到层标准化是比批量标准化更现代的标准化方法，而且在Tensorflow中编码非常简单。但我认为层归一化是为RNN设计的，而批量归一化是为CNN设计的。我可以在CNN中使用层归一化来处理图像分类任务吗？选择批归一化或层的标准是什么？
浏览 1提问于2017-07-06得票数 7
1回答
对于输入图像和第一卷积层和Relu层，我有以下代码(在测试期间，而不是在培训期间)：convnet1 = conv_2d(convnet, FIRST_NUM_CHANNEL, FILTER_SIZE, activation='relu')
convne
浏览 1提问于2019-04-03得票数 1
回答已采纳
2回答
我当前的LSTM网络如下所示。INPUT_SIZE)
outs = tf.reshape(net_outs2D, [-1, TIME_STEP, INPUT_SIZE])
通常，我应用作为批处理规范化。
浏览 0提问于2017-10-25得票数 19
我知道在常规神经网络中，人们在激活之前使用批量规范，这将减少对良好权重初始化的依赖。我想知道当我使用它时，它是否会对RNN/lstm RNN做同样的事情。有谁有使用它的经验吗？
浏览 0提问于2017-08-04得票数 23
我使用的是tensorflow-gpu 1.5.0# define our input (e.g. the data that changes every batch)我看到以前在这个网站上也有人问过类似的问题，但这些问题似乎并没有解决我的问题
浏览 3提问于2018-02-14得票数 1
云服务器
ICP备案
对象存储
实时音视频
云直播
腾讯云开发者
