我在MNIST的鉴别器网络中有这段代码： nn.Conv2d(1, 64, 4, 2, 1), 据我所知，有1个输入通道( MNIST图像)，然后我们以2为步长对图像应用4x4内核，以生成64个特征映射这是否意味着我们在这一层实际上有64个内核？因为为了得到64个不同的特征图，我们需要64个独立的内核来卷积图像？然后在一些ReLu之后，我们有了另一个卷积： nn.Conv2d(64, 128, 4, 2, 1), 我们如何从64到12
浏览 86提问于2019-02-27得票数 1
回答已采纳
2回答
卷积神经网络中特征映射的滤波器
、、、、
在卷积神经网络中，我应该使用什么样的滤波器来提取特征图？我最近读到了关于卷积神经网络的文章，我了解到我们使用(一组滤波器)在每个卷积层生成一组特征映射，通过对前一层输出的滤波器进行卷积，生成一组特征映射。谢谢。
浏览 1提问于2015-12-05得票数 0
回答已采纳
在阅读迈克·奥尼尔( Mike‘’Neill)的一本书“和”时，我遇到了一些关于卷积神经网络中权重数的计算，这是我想要理解的。网络的架构如下：以下是上述文章的解释：
第二层也是一个卷积层，但有50个特征映射。每个特征映射为5x5，特征映射中的每个单元都是前层所有
浏览 0提问于2019-02-14得票数 0
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
浏览 2提问于2018-05-16得票数 7
回答已采纳
1回答
我正在使用卷积自动编码器。我的自动编码器配置有一个卷积层，具有stride (2,2)或avg-pooling和relu激活，以及一个解卷积层，具有stride (2,2)或avg-unpooling和relu激活。当我查看第一个卷积层(20个滤波器，滤波器大小为3)之后的特征图时，我得到了一些黑色的特征图，而学习到的滤波器不是黑色的。如果我更改
浏览 6提问于2017-03-27得票数 0
1回答
张量流或角的特征可视化很容易，可以在这里找到。或我使用PyTorch和预先训练的resnet18模型。我只需要输入图像并为特定的层(例如Layer2.0.卷积2)获得激活。在预训练模型中指定了Layer2.0卷积2。
简单地说，如何将一个代码链接到PyTorch？如何获取resnet18 PyTorch中的特定层以及如何获得输入图像<em
浏览 2提问于2019-11-24得票数 3
回答已采纳
我正在构建一个DCGAN，我遇到了输出形状的问题，当我尝试计算BCELoss时，它与标签的形状不匹配。为了生成鉴别器输出，我是否必须一直使用卷积，或者我是否可以在某个点添加一个线性层来匹配我想要的形状？
我的意思是，我是必须通过添加更多的卷积层来减少形状，还是可以添加一个完全连接的卷积层？我认为它应该有一个完全连接的层，但在每个教程中</
浏览 17提问于2021-03-09得票数 1
回答已采纳
1回答
这就是公式：以下是他们的解释：
如图4.2所示，基于多个局部滤波器(I×J)、O_i {ij} (i =1、···、I)，所有输入特征映射都映射到卷积层的多个特征映射(总J= 1，···，i该映射可表示为信号处理中著名的卷积运算.假设输入特征映射都是一维的，那么卷积层</e
浏览 3提问于2017-08-11得票数 6
回答已采纳
我正在努力理解每一层的Keras，同时实现CNN。可以看到应用于输入图像的不同特征映射矩阵，以得到卷积层，可以看到在Conv2D步骤完成后生成的矩阵的值。
提前感谢
浏览 5提问于2020-01-01得票数 1
回答已采纳
我是一个深度学习的初学者。对于卷积网络，例如lenet-5，在C1层中有6个特征映射。每个特征映射都与一个唯一的卷积核(5x5矩阵)相关联。我猜，最初，这6个卷积核是随机生成的
浏览 0提问于2016-01-21得票数 0
2回答
我的第一个网络是 trunc_normal = lambda stddev: tf.truncated_normal_initializernum_classes, is_training=phase_train,我用的是带tf.nn.sparse_softmax_cross_entropy_with_lo
浏览 3提问于2016-12-22得票数 1
回答已采纳
我目前正在阅读“网络中的网络”论文。“交叉信道参数池层也等价于具有1x1卷积核的卷积层。”如果你用数学和例子来回答的话，那将是非常感谢的。
请帮我~
浏览 0提问于2021-01-28得票数 2
回答已采纳
1回答
我读了一本机器学习书，在CNN的章节中看到了这个。
卷积层的权值表示为fh，fw，fn‘，fn形状的4D张量。卷积层的偏置项简单地表示为fn形的一维张量。其中，fh是接收场的高度，fw是接收场的宽度。fn‘是前一层中的特征映射数，fn是当前层中的特征
浏览 3提问于2020-08-17得票数 0
回答已采纳
1回答
我已经学习机器学习4个月了，我理解MLP背后的概念。当我开始阅读关于卷积神经网络的文章时，问题就出现了。让我告诉你我知道什么，然后问我有什么问题。CNN的核心部分是：
子抽样层:用于“生成”表示更抽象概念的</e
浏览 1提问于2016-11-05得票数 4
回答已采纳
例如，在转换任务中，模型只包含卷积层和池层，输入图像，输出特征图(丢失MSE，试图生成与标签中特征映射完全匹配的特征映射)。向前传递可以获取任意图像大小，并输出大小= w/(n )_最大值_联营*2)，h/(N)_最大值_联营*2)的特性。因此，当批量大小为1时，当我们输入不同的图像大小、不同的比例时，不存在“尺寸失配误差”。
浏览 0提问于2019-12-01得票数 1
我想使用预先训练的分类模型(使用pytorch和ResNet50作为模型)。所有的pytorch模型的3个渠道，尽管。那么，问题是：如何使用3通道预训练模型来处理4通道数据？
浏览 1提问于2021-06-03得票数 0
回答已采纳
据我所知，对于第一层(假设我们有一幅灰度图像)，我们计算出3*3接收场的卷积作为接收权与像素的加权和。. + xn · wn
但是对于第二层，在最后一个卷积层中已经有了N特征映射，我们如何计算卷积(对于特定的像素/单元)？我们应该从特征映射中取一个N加权和的平均值吗？如果问题还不清楚，我已经尝试从著名的</e
浏览 0提问于2021-04-08得票数 0
回答已采纳
我看到过这样的说法，即CNN的深层学习识别更复杂的特征。这通常带有一张图片，早期的过滤器识别直线/简单的曲线，而后者的过滤器识别更复杂的模式。这很直观:你离数据越远，你对数据的理解就越抽象。然而，对此有理论上的解释吗？
浏览 6提问于2019-12-15得票数 0
我试着学习PyTorch，并遇到了一个教程，其中CNN的定义如下， def __init__(self): x = self.linear_layers(x)我明白cnn_layers是如何制造的。我不明白为什么线性特性的数量是4*7*7。我知道4是最后一个Conv2d层的输出维。
7*7
浏览 1提问于2021-01-31得票数 1
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
腾讯会议
云直播
对象存储活动推荐
腾讯云开发者
