¡Pregunta apropiada para entender las redes neuronales de convolución (CNN)!
En realidad, las capas de convolución se configuran de manera diferente que las capas completamente conectadas. Los números (64, .., 256) escritos junto a “convolución 3X3” no son la cantidad de neuronas, pero sí la cantidad de filtros utilizados en esa capa.
Las CNN están inspiradas biológicamente en ANN, que funciona principalmente para ocho propiedades:
- ¿Qué modelos CNN necesitan una norma de lote pero son lo suficientemente pequeños como para hacer una prueba muy rápida?
- ¿Cómo representa doc2vec el vector de características de un documento? ¿Alguien puede explicar matemáticamente cómo se realiza el proceso?
- ¿Son los modelos gráficos probabilísticos comúnmente vistos / muy utilizados en la minería de datos práctica / cotidiana?
- ¿Cuál es la diferencia entre la regresión logística y Naive Bayes?
- ¿Usarías un mejor cuaderno Jupyter?
- Conexión local (filtro)
- Compartir pesas
- Muchos filtros por capa (volumen 3D de neurona)
- Muchas capas
- Agrupación
- Activación no lineal (ReLU)
- Capa completamente conectada
- Capa de pérdida (softmax)
Los hiperparámetros libres importantes que se muestran en la figura son:
- Número de filtro en la capa de convolución
- Forma del filtro
- Forma de la capa de agrupación
- Número de neuronas en capas completamente conectadas y de pérdida.
Red neuronal convolucional
CS231n Redes neuronales convolucionales para reconocimiento visual
Redes neuronales convolucionales (LeNet)
Tutorial de aprendizaje de características y aprendizaje profundo sin supervisión
