Question

我正在Keras建立一个示例项目。该项目旨在确定猫与狗之间的区别。我在网上找到了example这样的模型：

model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(3, 150, 150)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

我的问题是，人们如何知道要使用哪些图层？在使用Conv2D与Conv1D对比另一层时，是否有指南或经验法则？

Answer 1

总之 - 他们没有。提出良好的架构是当前深度学习研究的主要内容。有一些拇指，直觉的规则，但主要是 - 经验或应对现有的报告工作。

用非常简短的话说：

当您在数据中拥有空间和/或时间结构（如图像，视频，声音等）时，将使用卷积。
池化具有类似于卷积的用例，它仍然需要空间和/或时间结构（除非它应用于整个通道/维度）并提供了一种去除细节的方法。（通常是噪音）并减少信号的维数
当您的数据具有连续字符时重复出现
需要完全连接才能强制使用＆＃34;一个给定的维度（因此通常用作最后一层）或当一个人真的不知道任何可以利用的结构时（因为它们几乎是最通用的）

然而，如何编写，使用什么超参数，使用多少是一个巨大的开放式研究问题的问题，一开始最好的方法是复制别人的架构并获得一些经验/直觉什么可行，什么不适用于您正在使用的数据。

我应该为Keras使用哪些层？

1 个答案: