卷积自动编码器：黑色特征映射
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小，也会发生同样的情况。
我用TensorFlow和Theano自动编码器得到了这种现象。（我还没有测试其他神经网络软件。）
有人知道为什么会这样吗？
我可以在添加LRN层时避免使用黑色特征贴图，但我想了解为什么会出现黑色特征贴图。
共有1个答案
我发现了同样的现象。使用7x7x3x6对数千幅RGB图像进行卷积自动编码器训练后，两个或三个滤波器有一些输出，其他滤波器的输出为零。当它们有太多的零输出滤波器时，误差不会减小。我还更改了过滤器的数量和大小，但结果几乎相同。
-
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
-
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=
-
我有一个多类分类问题。假设我有一个特征矩阵： 和标签： 我想尝试使用Keras沿每个特征行应用卷积核。假设nb\u filter=2，batch\u size=3。所以我希望卷积层的输入形状是（3，4），输出形状是（3，3）（因为它适用于AB、BC、CD）。 下面是我对Keras的尝试（v1.2.1，Theano后端）： 形状： 输出： 当我尝试运行此代码时，我得到和异常： 我试图重塑y\U列车：
-
假设中间CNN层的输入大小为512×512×128，在卷积层中，我们在步长2处应用48个7×7滤波器，没有填充。我想知道结果激活图的大小是多少？
-
我正在尝试创建一个三维卷积神经网络自动编码器。我无法将张量的输入维与输出维匹配 我尝试过改变图层形状并使用Keras自动编码器。 ValueError：无法将具有1850688元素的张量重塑为'Reshape'（op：'Reshape'）的形状[1,31,73,201,3]（1364589元素），输入形状：[1,36,84,204,3]，[5]并且输入张量计算为部分形状：输入[1]=[1,31,7
-
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？