卷積神經(jīng)網(wǎng)絡(luò)中的卷積核，是學(xué)習(xí)得來(lái)的還是預(yù)定義好的？卷積核的定義是（寬、高、入）通道、出通道。一般來(lái)說(shuō)，卷積核的大小是7*7、5*5、3*3、1*1。輸入通道由您自己定義，輸出通道的數(shù)量（即過(guò)濾器的數(shù)

卷積神經(jīng)網(wǎng)絡(luò)中的卷積核，是學(xué)習(xí)得來(lái)的還是預(yù)定義好的？

卷積核的定義是（寬、高、入）通道、出通道。

一般來(lái)說(shuō)，卷積核的大小是7*7、5*5、3*3、1*1。輸入通道由您自己定義，輸出通道的數(shù)量（即過(guò)濾器的數(shù)量）由用戶(hù)定義。

在網(wǎng)絡(luò)結(jié)構(gòu)中，我們首先對(duì)卷積核中的值進(jìn)行初始化，然后利用反向傳播算法不斷修正誤差，最后得到最優(yōu)參數(shù)，即最優(yōu)解。

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(dòng)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(lái)確定。另外，最近，神經(jīng)網(wǎng)絡(luò)自動(dòng)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(lái)尋找特定數(shù)據(jù)集的最佳網(wǎng)絡(luò)結(jié)構(gòu)

你好，我是張浩亞。我很高興為你回答。卷積核是算子和權(quán)重矩陣卷積核：卷積中使用的權(quán)重由一個(gè)矩陣表示，該矩陣與使用的圖像區(qū)域大小相同，其行和列為奇數(shù)，這是一個(gè)權(quán)重矩陣。更專(zhuān)業(yè)的科普知識(shí)往往用于圖像處理。請(qǐng)注意我。如果你喜歡我的回答，也請(qǐng)給我表?yè)P(yáng)或轉(zhuǎn)發(fā)，你的鼓勵(lì)是支持我寫(xiě)下來(lái)的動(dòng)力，謝謝。

什么是卷積核？

通常會(huì)設(shè)置固定磁芯。例如，對(duì)于29*29圖片，使用5*5核心。這些都是經(jīng)驗(yàn)。當(dāng)然，你也可以用大一點(diǎn)的。然后對(duì)核心的具體價(jià)值進(jìn)行培養(yǎng)。如果您的輸入在0-1之前，那么核心值也可以在0-1之間初始化，而不會(huì)有太多錯(cuò)誤。一旦確定了keras模型，不修改keras框架的源代碼就不會(huì)有任何改變。唯一的出路是擴(kuò)大GPU。

一般情況下，我們只能?chē)L試修改模型結(jié)構(gòu)、量化剪枝等方式，自行修改框架源代碼，沒(méi)有必要。

通常，為了加快模型的預(yù)測(cè)速度，只需加載一次模型即可。

當(dāng)模型的預(yù)測(cè)時(shí)間過(guò)長(zhǎng)時(shí)，通常采用減少卷積核、減少卷積核數(shù)、增加步長(zhǎng)、增加池單元等方法。一些參數(shù)較少的主干也可能被替換。

或者考慮使用移動(dòng)終端分離卷積和空穴卷積。

最后，默認(rèn)情況下，我們的模型由floaf32的精度表示，可以適當(dāng)量化。它以16位、8位甚至2位精度表示。只要模型的精度不顯著降低，且滿(mǎn)足使用場(chǎng)景，則是合理的。

如果您在這方面還有其他問(wèn)題，請(qǐng)關(guān)注我，一起學(xué)習(xí)。