D94 Convolution2D 超參數 - Cupoy

2019/08/15 上午 03:18

機器學習共學討論版

Li Wei Yang

觀看數：69

回答數：1

收藏數：0

ml100-2

ml100-2-d92

ml100-2-d93

ml100-2-d94

1.看了D92-D94，感覺卷積像具備model的性質，訓練濾波器內的參數來產生好的特徵圖供DNN學習，那麼Convolution2D的參數配置有甚麼參考依據或方向來思考？或針對他來驗證好不好，而不會建得太糟糕

3.Padding 最外框補 0 有甚麼好處？或造成壞處

4.Stride 跨幾步有點像濃縮的感覺，有例子可以說明甚麼情況下可以造成甚麼優點嗎？

回答列表

• 2019/08/16 上午 10:59
  Jimmy
  贊同數：2
  不贊同數：0
  留言數：1

  Hi Li wei！

  
  

  1. 基本上目前的 filter size 都會設為 3x3，並透過堆疊多層來學習到豐富的特徵，這點你可以從 VGG Net 延伸到 Inception Net 發現，以往會用 5x5 甚至 7x7 的 filters，但後來實驗結果發現 3x3 堆疊多層的效果可以最好！

  
  

  2. Padding 補 0 ，可以讓靠近邊緣的特徵有比較充分的學習，你可以想像一下，如果沒有做 padding，那影像中邊緣的數值在使用 filter 做 convolution 時，只會計算到一次；但有做 padding 時，如果 stride =1，這樣同樣的邊緣數值可以被 filter 經過兩次來運算，比較能捕捉到邊緣的特徵

  
  

  3. 讓特徵圖可以逐步縮小尺寸，在最後攤平接上 Dense layer 時不要有過多的參數。