0. 滤波器的大小选择
- 大部分卷积神经网络都会采用逐层递增(1⇒ 3 ⇒ 5 ⇒ 7)的方式。
- 每经过一次池化层,卷积层过滤器的深度都会乘以 2;
1. 权值共享:减轻过拟合 & 降低计算量
一个卷积层(Wx+b ⇒ ReLU ⇒ maxpooling)可以有多个不同的卷积核,而每一个卷积核都对应一个滤波后映射出的新图像,同一个新图像中的每一个像素都来自完全相同的卷积核,这就是卷积核的权值共享。
那么为什么要共享卷积核的权值参数呢?
- 降低模型复杂度以减轻过拟合;
- 降低计算量;
2. 待求参数数目的量化分析
考虑 的输入图像:
- 全连接,隐层神经元的数目为
- 步长为 10,表示的是输入图像可划分的块数,也即经卷机作用后的输出图像;
- 步长为 1,
- 在不考虑步长的前提下,可近似将待学习的参数的数目视为
3. CNN 的卷积与信号与系统中的卷积
CNN 的卷积并没有执行“翻转”操作,而是与输入图像做滑动窗口“相关”计算;
如果 :
。
4. 时间复杂度
- 的值一般是很大的,比如 256;
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:卷积神经网络(CNN)的细节问题(滤波器的大小选择) - Python技术站