Esta página en el sitio web de Caffe tiene una explicación detallada sobre las capas y los parámetros asociados con cada capa: Caffe | LeNet MNIST Tutorial
num_output determina el número de salidas que produce la capa.
kernel_size determina las dimensiones de cada uno de los filtros de una capa en particular.
- ¿Cuándo debo aprender tensorflow?
- ¿Es posible usar el servicio de reconocimiento facial de Facebook desde su API?
- Quiero comenzar en PNL. ¿Vale la pena?
- ¿Cuáles son actualmente los temas candentes en la investigación de aprendizaje automático y en aplicaciones reales?
- ¿Qué tipo de modelos o técnicas de aprendizaje automático deberían usarse en los datos de la marca de tiempo del lote (por ejemplo, temperatura durante 2 horas)?
Las conexiones, la entrada de una capa y la salida de una capa, están determinadas por los parámetros top e bottom . Estos toman el valor de los names de capa, que son variables.
Esto debería ser suficiente para comenzar. La mayoría de las CNN tienen el mismo diseño, de tener unas pocas capas conv, a cada capa conv seguida de una no linealidad como ReLU o tanh. Las excepciones son la red de inicio y la ResNet más reciente.
En Caffe, la definición de la red se realiza escribiendo el ‘train_val.prototxt’ https://github.com/BVLC/caffe/bl…
