卷积神经网络——所有特征映射均为黑色（像素值为0）
我正在做一个在Zynq Soc上映射训练好的CNN的项目。我用张量流训练了一个Lenet，提取了权重和偏差。据我观察，权重的值都接近0，几乎没有一个大于1。但是lenet的输入数据是灰度图像，像素值从0到255。
当我尝试在输入图像和核（训练权重）之间进行二维卷积时，由于卷积结果都接近于0，所以输出特征映射都是黑色图像。甚至还考虑了Relu层。但如下图所示，根据亮度，内核和功能映射中的权重值应在0到255之间。
我只是想知道为什么我得到了黑色（0像素值）特征图？
共有1个答案
在进行卷积之前对输入进行归一化，并且创建的特征图也进行归一化以创建图像。要创建类似的图像，您必须找出输入在创建您正在使用的权重的网络中是如何归一化的，并以相同的方式对输入进行归一化，然后对特征图进行min-max归一化并将其纳入0-255范围。
-
我读过这篇文章http://www.codeproject.com/Articles/143059/Neural-Network-for-Recognition-of-Handwritten-Di当我转到这个：第0层：是MNIST数据库中手写字符的灰度图像，填充到29x29像素。输入层有29x29=841个神经元。图层#1：是一个包含六（6）个要素地图的卷积图层。从第1层到前一层有13x13x6=
-
我正在使用卷积自动编码器。我的autoenoder配置有一个带stride（2,2）或avg pooling和relu激活的卷积层和一个带stride（2,2）或avg Unmooling和relu激活的反卷积层。 我用MNIST数据集训练自动编码器。 当我在第一个卷积层（20个过滤器，过滤器大小为3）后查看特征图时，我得到了一些黑色特征图，而学习到的过滤器不是黑色的。如果更改过滤器数量或过滤器大
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络
-
假设我有一幅尺寸为125*125的RGB图像，我使用了10个尺寸为5*5、步长为3的过滤器，那么这一层的特征图是什么？特征图的参数总数是多少？10*（（125-5）/3）1=（41*41*10）（过滤器数量）但RGB图像和灰度图像之间的区别是什么？因此，对于RGB图像，它应该是41*41*30（过滤器数量*输入图像通道数量）？对于参数总数：5*5*3*10=750？
-
我在Keras有卷积神经网络。我需要知道每个图层中要素地图的尺寸。我的输入是28 x 28像素的图像。我知道有一种计算方法，但我不知道如何计算。下面是我使用Keras的代码片段。 最后，这就是我想画的。非常感谢。