如何确定卷积神经滤波器的维度？
如果我有一个图像是WxHx3（RGB），我该如何决定制作多大的过滤器遮罩？它是尺寸（W和H）的函数还是其他函数？第二个、第三个……的维度是怎样的。。。过滤器是否与第一个过滤器的尺寸进行比较？（如有任何具体指示，将不胜感激。）
我看到了以下内容，但它们没有回答这个问题。
卷积神经网络的维数
卷积神经网络：每个过滤器将覆盖多少像素？
如何确定用于图像分类的卷积神经网络的参数？
共有1个答案
如果您添加您试图从图像中提取的内容以及您试图使用的数据集的详细信息，那将非常好。
从Alexnet和ZFnet中可以得出一个关于需要考虑的过滤器掩码大小的一般假设。对于特定格式，没有具体的公式应该考虑哪些大小，但是如果需要更深入的分析，大小会保持在较低的水平，因为较大的过滤器大小可能会遗漏许多较小的细节。在上面与盗梦空间网络的链接中描述了如何有效地利用计算资源。如果您没有资源问题，那么从ZFNet您可以观察到多层的可视化，可以看到许多更精细的细节。即使它有一层卷积和池化层，我们也可以称之为CNN。层数取决于更精细的要求。
我不是专家，但如果您的数据集只有几千个，并且不需要提取太多的特征，并且如果您不确定数据集的大小，可以只选择较小的数据集（最受欢迎的小数据集是5x5-Lenet5）。
-
我从几篇文章中了解到，要计算滤波器的梯度，只需以输入体积为输入，以误差矩阵为核进行卷积。之后，只需将过滤器权重减去梯度（乘以学习率）。我实现了这个过程，但它不起作用。 我甚至试着自己用笔和纸做反向传播过程，但我计算的梯度并没有使过滤器的性能更好。那么，我对整个过程的理解是否有误？ 编辑：我将提供一个例子，说明我对CNN中反向传播及其问题的理解。 考虑卷积层的随机输入矩阵： 1,0,1 0、0、1
-
创建卷积神经网络（CNN）时（如中所述https://cs231n.github.io/convolutional-networks/)输入层与一个或多个过滤器连接，每个过滤器表示一个要素地图。这里，过滤层中的每个神经元只与输入层的几个神经元相连。在最简单的情况下，我的n个过滤器中的每一个都具有相同的维度并使用相同的步幅。 我的问题是： 如何确保过滤器学习不同的特征，尽管它们使用相同的补丁进行训练
-
我读过这篇文章“UFLDF”，它发展了autoencoder中隐藏层的可视化，但我很困惑如何可视化卷积神经网络的滤波器。在我看来，对于第一个卷积层，要使滤波器可视化，它需要这个等式： 对于第二个卷积层，它应该将滤波器投射到原始输入空间，但我不知道如何做。
-
我正在实现一个三维卷积神经网络，我有两个问题。 问题一 每个输入是一个大小为（201,10,4）的3D矩阵。我希望我的过滤器能够在第二和第三维度上移动，因为它们是完全连接的。第三个维度是特征维度。所以我不想看第二和第三维度的当地社区。因此，我的过滤器大小将是例如（3,10,4）的大小。所以过滤器大小等于第二和第三维度，但我们在第一维度中有权重共享。以下是我的卷积代码： 所以我应该在这里使用步幅，这
-
此问题似乎与在帮助中心定义的范围内编程无关。 我不明白为什么在使用卷积神经网络时需要翻转滤波器。 根据千层面文件， flip_filters：bool（默认值：True） 是在将过滤器滑动到输入上之前翻转过滤器，执行卷积（这是默认设置），还是不翻转过滤器并执行相关。请注意，对于千层面中的其他一些卷积层，翻转会产生开销，默认情况下是禁用的–使用从其他层学习的权重时，请查看文档。 这是什么意思？我从未
-
我正在试图理解卷积神经网络中的维度是如何表现的。在下图中，输入为带1个通道的28乘28矩阵。然后是32个5乘5的过滤器（高度和宽度步幅为2）。所以我理解结果是14乘14乘32。但是在下一个卷积层中，我们有64个5×5的滤波器（同样是步幅2）。那么为什么结果是7乘7乘64而不是7乘7乘32*64呢？我们不是将64个滤波器中的每一个应用于32个通道中的每一个吗？