Question

public class RadioButtonListView extends Application {

    public static final ObservableList names =
            FXCollections.observableArrayList();
    private ToggleGroup group = new ToggleGroup();

    @Override
    public void start(Stage primaryStage) {
        primaryStage.setTitle("List View Sample");

        final ListView listView = new ListView();
        listView.setPrefSize(200, 250);
        listView.setEditable(true);

        names.addAll(
                "Adam", "Alex", "Alfred", "Albert",
                "Brenda", "Connie", "Derek", "Donny",
                "Lynne", "Myrtle", "Rose", "Rudolph",
                "Tony", "Trudy", "Williams", "Zach"
        );

        listView.setItems(names);
        listView.setCellFactory(param -> new RadioListCell());

        StackPane root = new StackPane();
        root.getChildren().add(listView);
        primaryStage.setScene(new Scene(root, 200, 250));
        primaryStage.show();
    }

    public static void main(String[] args) {
        launch(args);
    }

    private class RadioListCell extends ListCell<String> {

        RadioButton radioButton;
        ChangeListener<Boolean> radioListener = (src, ov, nv) -> radioChanged(nv);
        WeakChangeListener<Boolean> weakRadioListener = new WeakChangeListener(radioListener);

        public RadioListCell() {
            radioButton = new RadioButton();
            radioButton.selectedProperty().addListener(weakRadioListener);
            radioButton.setFocusTraversable(false);
            // let it span the complete width of the list
            // needed in fx8 to update selection state
            radioButton.setMaxWidth(Double.MAX_VALUE);
        }

        protected void radioChanged(boolean selected) {
            if (selected && getListView() != null && !isEmpty() && getIndex() >= 0) {
                getListView().getSelectionModel().select(getIndex());
            }
        }

        @Override
        public void updateItem(String obj, boolean empty) {
            super.updateItem(obj, empty);
            if (empty) {
                setText(null);
                setGraphic(null);
                radioButton.setToggleGroup(null);
            } else {
                radioButton.setText(obj);
                radioButton.setToggleGroup(group);
                radioButton.setSelected(isSelected());
                setGraphic(radioButton);
            }
        }
    }
}

我的问题是：如何计算特征/通道输出的数量，在这种情况下，第一层是32，第二层是64，第三层是1024？如果我在CNN中添加多于或少于32,64,1024的数字会产生什么影响？

Answer 1

此CNN模型的限制如下：

7x7由输入图像大小决定。在这种情况下，在2次下采样（池化）操作之后它是28x28。
转化层中的要素数量（32，64）可以是任意的，但必须与下一层的深度值相对应。因此，如果您在32中将48更改为wc1，则必须在32中将48更改为wc2。
与FC层的大小相同：1024中的wd1必须与1024中的out相对应。

除此之外，您可以设置任何值，但可能会或可能不会提高网络性能。通常，研究将它们设置得尽可能大，以便模型仍然适合GPU内存，因为更大的模型往往更好地学习。同样有必要从早期层向下增加尺寸，以捕获学习特征的复杂性，即第二层中的变化大于第一层中的变化。

Answer 2

作为过滤器的数量，例如32,64,128,1024是设计决策，模型设计者决定使用的过滤器数量。在这种情况下，你。通常使用2的幂2 ^ 5 = 32,2 ^ 6 = 64等。除了影响模型将具有的参数数量之外，不同数量的滤波器显然会对计算所需的操作数量产生影响。学习。

e.g。尺寸为5x5x1（高x宽x通道）的10个滤波器将具有（5 x 5 x 1 + 1）x 10 = 110参数进行训练。请注意，+ 1表示偏差项。

我建议阅读以下内容，特别是有关ConvNet架构的部分。 http://cs231n.github.io/convolutional-networks/#architectures

对于卷积算术，我发现“深度学习的卷积算法指南”资源丰富：https://arxiv.org/abs/1603.07285

CNN：了解权重输出通道参数

2 个答案: