卷积神经网络中的层数

Question

我是卷积网络的初学者。我使用数字来实现它们并且几乎没有怀疑。

1. 在尝试图像的基本分类问题时，我们如何确定图层数量 - 多少个转换图层/完全连接图层等。
2. 在数字中，我们实现了3个标准论文，对于特定数据集，有什么方法可以找出要使用的架构 - 或者我们何时应该使用自己的架构。
3. 隐藏层如何帮助解决问题 - 即通过查看隐藏层中的结果我们可以做出哪些决定

Answer 1

决定需要多少层或神经元，或者建立神经网络的最佳架构从未明确或可能。之前采取的主要步骤是尝试建立一些参数，然后测量训练集和测试集的性能而不是偏差或过度拟合数据并确定最佳参数，或尝试其他算法，如遗传算法。

结论要么每次都从头开始测量网络性能，要么应用其他不需要从头开始的算法，并且可以通过在网络架构上应用传输学习和微调来逐步构建。

Answer 2

让深度学习变得如此民主和惊人的核心理念很简单＆＃34;不要成为英雄＆＃34;

这意味着在大多数情况下，最好的深度学习模型需要花费数百万个数据点和数周才能进行训练，这是我们大多数人无法通过我们的低性能PC实现的（是的，单个GPU系统性能低下） ）。那么为什么你要浪费你的时间来构建和培训NN架构。很简单，你不会。

转移学习是您的解决方案!! 尝试找到经过类似于您的问题的数据培训的模型，并使用预先训练的权重来微调您的数据集。这样做不仅可以获得已经过验证的NN架构，而且还是培训的重要先行。

找到预训练模型的最佳地点是caffe模型动物园，所以去看看吧。