저는 Conv Nets와 Julia의 Mocha.jl 패키지 (Caffe와 많이 비슷하지만 Julia REPL에서 재생할 수있는)를 사용하여 많은 곡을 읽었습니다. Conv net에서 Convolution 레이어 뒤에는 "feature map"레이어가옵니다. 내가 궁금해하는 점은 네트워크가 특정 문제를 해결하기 위해 얼마나 많은 기능 맵을 필요로하는지 판단
현재 Alexnet을 사용하여 분류 작업을하고 있습니다. 배치 크기와 크기 자른 입력에 의해 공급되는 통상의 네트워크를, 256 * 256 (전처리 단계에서 생성)를 사용 : 각 입력 샘플의 크기는 480 이런 * 680 인 8의 정확도 92 %를 제공합니다. 그러나, 나는 다음과 같은 작물 층을 사용하여 각 (480 * 680) 샘플 (모서리 플러스 센터
저는 회선 네트워크의 초보자입니다. 나는 그 (것)들을 실행하고 몇몇 의혹으로 직면하기 위하여 손가락을 이용한다. 자리에서 우리가 3 개 표준 서류가 구현 얼마나 많은 전환 층/완전히 연결 계층 등 - 이미지의 기본 분류 문제를 시도하는 동안 , 어떻게 우리는 층의 수를 결정합니까 특정 데이터 세트는 어떤 아키텍처를 사용할 것인지, 언제 우리가 자체 아키텍
TensorFlow를 사용하여 개체 인식을 구현하고 있습니다. 나는이 튜토리얼을 따라했지만 내 자신의 데이터 세트를 사용한다. https://www.tensorflow.org/versions/r0.8/tutorials/mnist/pros/index.html#deep-mnist-for-experts 훈련하기 위해 212 개의 양성 샘플과 120 개의 음성 샘
나는 MatConvNet를 사용하는 방법을 배우게하기 위해 practical/exercises을하고 있었다 실행 시도 : % -------------------------------------------------------------------------
% Part 1.2: Non-linear gating (ReLU)
% ---------------