La diferencia es que el núcleo 3 × 3 está más centrado en las características localizadas de bajo nivel, mientras que el núcleo 5 × 5 está más centrado en las características de nivel superior.
A partir de ahora no hay ninguna teoría definitiva sobre cuál es el tamaño final que debe tener un núcleo, y es prácticamente un arte encontrar el tamaño de núcleo adecuado para el conjunto de datos con el que está trabajando.
En la práctica, apenas he visto núcleos más pequeños que 2 × 2 o más grandes que 5 × 5, cualquier cosa más pequeña o más grande simplemente no tendría demasiado sentido, o estás mirando la imagen píxel por píxel o tiras demasiado detalle.
- ¿Cuál es el significado de 'distribucionalmente similar' en PNL?
- ¿Es mejor hacer una competencia de ciencia de datos en Kaggle o crear un algoritmo comercial en Quantopian para encontrar un trabajo en finanzas cuantitativas?
- ¿Cómo se puede aplicar el aprendizaje automático al póker?
- ¿Cuáles son algunos ejemplos del mundo real de cómo y / o dónde se utilizan los algoritmos?
- ¿Cuáles son las desventajas de usar un árbol de decisión para la clasificación?
También tenga en cuenta que el tamaño del kernel está estrechamente conectado a otros parámetros como zancada, agrupación y relleno cero, y no debe considerarse de forma aislada.
He encontrado el tutorial Una guía para principiantes para comprender las redes neuronales convolucionales para dar una explicación intuitiva de CNN, y debería darle una buena idea del funcionamiento interno de los núcleos.
Y por último, haz mucha experimentación.