深度学习网络模型每一层size怎么计算

发布网友 发布时间：2022-04-28 12:41

我来回答

共1个回答

热心网友 时间：2023-10-09 08:34

尝试结合神经科学对第一个问题简单说说自己的理解，轻黑。在CNN的设定里，FeatureMap是卷积核卷出来的，而不同的特征提取（核）会提取不同的feature，模型想要达成的目的是解一个最优化，来找到能解释现象的最佳的一组卷积核。例如某个核如果形似gabor算子，就会提取出边缘信息的feature，但这个特征toosimple，很可能不是模型需要的特征。这与人脑神经网络（暂且这么叫吧）的功能是很相似的，比如gabor算子模拟了V1具有方向选择性的神经元，这些神经元被称为simplecell，只能对orientation做出响应，人脑依靠这些神经元检测出图像的边缘信息。但simplecell的功能也仅此而已，人脑若要完成一些更高级的功能（visualattention,objectrecognition），就需要更复杂的神经元，例如complexcell和hypercomplexcell，它们能对信号做一些更复杂的变换，而恰恰神经科学的证据表明，它们“很可能”是由V1的多个simplecell的输出信号组合而成的，比如V4的一些cell可能对angle做出响应等；考虑一个objectrecognition的任务，object自身具有不同的特征，不同的复杂的cell编码了其不同的特征，组合起来表达这样一种object。CNN的设定中的featuremap也就对应了各层cell的信号输出。

热心网友 时间：2023-10-09 08:34

尝试结合神经科学对第一个问题简单说说自己的理解，轻黑。在CNN的设定里，FeatureMap是卷积核卷出来的，而不同的特征提取（核）会提取不同的feature，模型想要达成的目的是解一个最优化，来找到能解释现象的最佳的一组卷积核。例如某个核如果形似gabor算子，就会提取出边缘信息的feature，但这个特征toosimple，很可能不是模型需要的特征。这与人脑神经网络（暂且这么叫吧）的功能是很相似的，比如gabor算子模拟了V1具有方向选择性的神经元，这些神经元被称为simplecell，只能对orientation做出响应，人脑依靠这些神经元检测出图像的边缘信息。但simplecell的功能也仅此而已，人脑若要完成一些更高级的功能（visualattention,objectrecognition），就需要更复杂的神经元，例如complexcell和hypercomplexcell，它们能对信号做一些更复杂的变换，而恰恰神经科学的证据表明，它们“很可能”是由V1的多个simplecell的输出信号组合而成的，比如V4的一些cell可能对angle做出响应等；考虑一个objectrecognition的任务，object自身具有不同的特征，不同的复杂的cell编码了其不同的特征，组合起来表达这样一种object。CNN的设定中的featuremap也就对应了各层cell的信号输出。