cnn卷積神經(jīng)網(wǎng)絡(luò)中的卷積核怎么確定？從模型中學(xué)習(xí)卷積參數(shù)，手動確定卷積核的大小和數(shù)目。二維卷積核的大小通常是奇數(shù)，例如1*1、3*3、5*5、7*7。卷積核數(shù)是網(wǎng)絡(luò)中的信道數(shù)。常用的是128 256

cnn卷積神經(jīng)網(wǎng)絡(luò)中的卷積核怎么確定？

從模型中學(xué)習(xí)卷積參數(shù)，手動確定卷積核的大小和數(shù)目。二維卷積核的大小通常是奇數(shù)，例如1*1、3*3、5*5、7*7。卷積核數(shù)是網(wǎng)絡(luò)中的信道數(shù)。常用的是128 256 512，需要根據(jù)具體任務(wù)來確定。

另外，近年來，神經(jīng)網(wǎng)絡(luò)的自動搜索結(jié)構(gòu)非常流行。最著名的是Google的nasnet，它使用一些啟發(fā)式遍歷來尋找特定數(shù)據(jù)集的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)使用用戶設(shè)計(jì)的損失融合（分類通常是交叉的）計(jì)算實(shí)際標(biāo)簽和預(yù)測標(biāo)簽之間的差異，梯度反向傳播該方法利用卷積核參數(shù)來產(chǎn)生新的預(yù)測值，使損失最小化。重復(fù)此過程，直到培訓(xùn)結(jié)束。