我一直在研究卷积神经网络,甚至使用了Julia的Mocha.jl包进行实践(看起来很像Caffe,但你可以在Julia REPL中进行操作)。
在卷积神经网络中,卷积层之后是"特征图"层。我想知道如何确定一个网络需要多少个特征图层来解决某个特定的问题?这是科学还是艺术呢?我可以看到,如果你试图进行分类,至少最后一层应该有特征图的数量等于类别数(除非你在网络的顶部有一个全连接的MLP层)。
在我的情况下,我不仅仅是做分类,更多地是尝试为图像中的每个像素计算一个值(我想这可以被视为一种分类,其中类别从0到255)。
编辑:正如评论中指出的那样,我试图解决的是回归问题,输出范围在0到255之间(在本例中为灰度)。问题仍然存在:如何确定在任何给定的卷积层中使用多少个特征图层?这对于回归问题和分类问题是否不同呢?
在卷积神经网络中,卷积层之后是"特征图"层。我想知道如何确定一个网络需要多少个特征图层来解决某个特定的问题?这是科学还是艺术呢?我可以看到,如果你试图进行分类,至少最后一层应该有特征图的数量等于类别数(除非你在网络的顶部有一个全连接的MLP层)。
在我的情况下,我不仅仅是做分类,更多地是尝试为图像中的每个像素计算一个值(我想这可以被视为一种分类,其中类别从0到255)。
编辑:正如评论中指出的那样,我试图解决的是回归问题,输出范围在0到255之间(在本例中为灰度)。问题仍然存在:如何确定在任何给定的卷积层中使用多少个特征图层?这对于回归问题和分类问题是否不同呢?