功能號碼tf.nn.conv2d

我不清楚如何確定重激活功能的指定功能號碼。

例如：

現在，我們可以實現我們的第一層。它將包含卷積，，然後是最大池。卷積將爲每個5x5修補程序計算32個功能。

W_conv1 = weight_variable([5, 5, 1, 32])

32爲什麼這裏挑？

爲了建立一個深層網絡，我們堆疊了這個類型的幾個層。第二層將爲每個5x5修補程序提供64個功能。

W_conv2 = weight_variable([5, 5, 32, 64])

再次，爲什麼64被拾取？

現在，圖像尺寸已經減小到7×7，我們添加一個全連接層1024層的神經元以允許在處理整個圖像。

W_fc1 = weight_variable([7 * 7 * 64, 1024])

爲什麼1024在這裏？

謝謝

2017-02-25 derek

有關更多詳細信息，您還可以檢查[此答案]（http://stackoverflow.com/a/34698115/3941813）和[此答案]（http://stackoverflow.com/a/42451067/3941813）。 – jabalazs

32和64是各層中的濾波器數量。 1024是完全連接層中輸出神經元的數量。你的問題基本上是關於選擇這些超參數背後的原因。

這些具體選擇背後沒有數學或編程原因。這些在實驗後被提取出來，因爲它們在MNIST數據集上提供了很高的精度。您可以更改這些數字，這是您可以修改模型的一種方式。不幸的是，你還不能在TensorFlow或任何其他文獻資源中探索選擇這些參數的原因。

2017-02-25 22:41:30 Ujjwal

只是想確保我正確理解它。這些功能號碼是由我們手動調整的，而不是從CNN自動獲悉的。 – derek

是的。你說對了。 – Ujjwal

每個過濾器居然會做一些事情，比如檢查邊，檢查是否有變色，或右移，左拉屎的圖像，銳化，模糊等每個過濾器實際上是努力尋找出通過銳化，增強，平滑，增強等形成的圖像的含義。

對於例如檢查此鏈接這也解釋了這些過濾器 http://setosa.io/ev/image-kernels/

因此，所有這些過濾器實際上是神經元，其中輸出將是最大池化，並最終送入一些激活後，FC層的含義。

如果您只是想了解過濾器，那是另一種方法。但是，如果你想了解如何轉化。體系結構能夠正常工作，但由於這些是對數據集進行過試驗和測試的過濾器，因此您現在只需要使用它。

這些過濾器也通過Backprop學習。

2017-02-26 12:51:11

回答