卷积神经网络过滤器

Question

在编码卷积神经网络时，我不确定从哪里开始卷积层。当使用不同的卷积滤镜生成不同的特征图时，这是否意味着滤镜具有不同的大小（例如3x3、2x2等）？

Answer 1

在大多数示例中，这很好地说明了如何对卷积神经网络进行编码，您会发现从1个卷积层和传递层大小，3x3窗口，输入数据特征开始。

 model.add(Conv2D(layer_size, (3,3), input_shape = x.shape[1:]))

过滤器的大小通常仅在最大池化层中有所不同，例如2x2。

model.add(MaxPooling2D(pool_size=(2,2)))

图层大小通常是从范围layer_size = [32, 64,128]中选择的，您可以执行相同的操作来尝试使用不同的convolution_layers = [1,2,3]

Answer 2

不只是一个答案，请将此视为评论。所应用的过滤器可以（通常在prod env中）具有不同大小。我建议阅读更多关于invariance的内容，并结合优化算法（例如Stochastic Gradient Descent）阻止两个过滤器学习相同的功能（尽管有些过滤器也学习相同的功能）。

Answer 3

我从未见过同一层中的过滤器具有不同的内核大小，尽管可以这样做，但这并不是我使用的框架的默认选项。权重使过滤器产生不同的特征图的原因。

在不同的层上使用了不同的内核大小，因为卷积网络的想法是通过下采样层（例如最大池化）来逐渐降低维数，因此在较深的层次上，您具有较小的特征图，较小的过滤器使其保持卷积和连接不充分（与图像大小相同的内核相当于具有密集层）。

如果您从卷积开始，我建议您使用this CNN的交互式可视化功能，它对我有很多帮助。