功能号码tf.nn.conv2d

我不清楚如何确定重激活功能的指定功能号码。

例如：

现在，我们可以实现我们的第一层。它将包含卷积，，然后是最大池。卷积将为每个5x5修补程序计算32个功能。

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

32为什么这里挑？

为了建立一个深层网络，我们堆叠了这个类型的几个层。第二层将为每个5x5修补程序提供64个功能。

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

再次，为什么64被拾取？

现在，图像尺寸已经减小到7×7，我们添加一个全连接层1024层的神经元以允许在处理整个图像。

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

为什么1024在这里？

谢谢

2017-02-25 derek

有关更多详细信息，您还可以检查[此答案]（http://stackoverflow.com/a/34698115/3941813）和[此答案]（http://stackoverflow.com/a/42451067/3941813）。 – jabalazs

32和64是各层中的滤波器数量。 1024是完全连接层中输出神经元的数量。你的问题基本上是关于选择这些超参数背后的原因。

这些具体选择背后没有数学或编程原因。这些在实验后被提取出来，因为它们在MNIST数据集上提供了很高的精度。您可以更改这些数字，这是您可以修改模型的一种方式。不幸的是，你还不能在TensorFlow或任何其他文献资源中探索选择这些参数的原因。

2017-02-25 22:41:30 Ujjwal

只是想确保我正确理解它。这些功能号码是由我们手动调整的，而不是从CNN自动获悉的。 – derek

是的。你说对了。 – Ujjwal

每个过滤器居然会做一些事情，比如检查边，检查是否有变色，或右移，左拉屎的图像，锐化，模糊等每个过滤器实际上是努力寻找出通过锐化，增强，平滑，增强等形成的图像的含义。

对于例如检查此链接这也解释了这些过滤器 http://setosa.io/ev/image-kernels/

因此，所有这些过滤器实际上是神经元，其中输出将是最大池化，并最终送入一些激活后，FC层的含义。

如果您只是想了解过滤器，那是另一种方法。但是，如果你想了解如何转化。体系结构能够正常工作，但由于这些是对数据集进行过试验和测试的过滤器，因此您现在只需要使用它。

这些过滤器也通过Backprop学习。

2017-02-26 12:51:11

回答