Keras를 사용하여 CNN을 만들고 있는데 plot_model()으로 모델을 시각화하고 싶습니다. Conv2d 레이어의 모양을 보면 내가 알아낼 수없는 것이 있습니다. 의 내 Conv2d 층 커널 크기 [8 x 8]을 가지고 있다고 가정 해 봅시다 은 보폭이 [4 by 4]이며, 패딩 'same' 내가 16 개 기능지도를합니다. 이 레이어의 입력 모양은
나는이 논문을 통해 Multi-Scale Context Aggregation by Dilated Convolutions으로 가고있다. 최대 풀링/다운 샘플링과 달리 글로벌 컨텍스트를 얻기 위해 확장 된 컨볼 루션을 사용하는 것이 좋습니다. 풀링은 이미지를 축소하고 확장 된 회선은 줄어들지 않기 때문입니다. 내 첫 번째 질문은 다음과 같습니다 그들은 VGG1
다음은 tensorflow가 제공하는 코드입니다. 수용 필드 크기의 변화에 대한 현재의 이해를 설명하고 누군가 내 오해가있는 곳을 알려 주면 크게 감사하겠습니다. 개요 : [28, 28] -> 32 [24, 24] -> 32 [12, 12] -> 2048 [8,8] 긴 버전 : 시작 off [28,28] 배열 첫 번째 회선 층은 커널 크기가 [5,5]
저는 YouTube 비디오의 Tensorflow와 MNIST 데이터 세트의 Tensorflow CNN 자습서를 사용한 회선 신경망 자습서를 따라 왔습니다. 이 튜토리얼을 사용하여 오디오 데이터에 대한 자체 CNN을 만들었습니다. 목표는 CNN을 사용하여 33 명의 스피커에서 음성을 식별하는 것입니다. 데이터는 이미 컨볼 루션을 적용 할 수 있도록 테스트 세
입력 크기가 5x5이고 보폭이 1x1이고 필터 크기가 3x3이면 용지의 최종 크기가 3x3이 될 때 계산할 수 있습니다. 그러나이 입력 크기가 28x28 또는 50x50으로 변경되면 종이에 컨볼 루션 된 행렬의 크기를 어떻게 계산할 수 있습니까? 거기에 수식이나 트릭이 있습니까?
: MNIST 자습서 - Julia.jl 자습서와 달리, 나는 cifar-10에 대해 나만의 맞춤 이미지 (32 X 32 (RGB)) 형식을 사용하고 있습니다. csv의 각 행은 마지막 레이블 인 3073 개의 열입니다. 그리고 나는 훈련을 위해 처음 240 개의 행을 선택하기 위해 어레이 슬라이싱을 사용하고 나머지는 테스트를 위해 300 개의 행을 가지고
다음 CNN 코드 구현이 있습니다. 그것을 사용 optimizer = tf.train.GradientDescentOptimizer(cnn.learning_rate).minimize(loss = cnn.loss, global_step=global_step)
grads_and_vars = optimizer.compute_gradients(cnn.loss)
제 질문은 BatchNormalization (BN)에 의해 정규화되는 것입니다. 저는 BN이 각 픽셀에 대한 채널을 개별적으로 또는 모든 픽셀에 대해 표준화하는지 묻습니다. 그리고 그것은 이미지 단위 또는 전체 배치의 모든 채널에서 수행합니다. 특히 BN은 X에서 작동합니다. 말해, X.shape = [m,h,w,c]. 따라서 axis=3의 경우 채널 수