知识卡片
多卷积核与特征学习
判断一幅图里有没有飞机,靠单一特征不够,需要多个高级特征组合。而一种卷积核只能表达一种特征,所以要设计多个卷积核来得到不同方面的特征:想要 2 个特征就用 2 个核,输出为 4×4×2 的立方体;想要 10 个特征就是 4×4×10。卷积核属于超参数,常见类型有同一化核、边缘检测核、图像锐化核、均值模糊等。但人工设计的卷积核终有瓶颈——图像分类任务越来越多样,手工特征准确率触顶。突破点在于用机器学习让计算机自己学出卷积核与构造特征的方式,这正是卷积神经网络的由来。边界在于:核的数量和形态需经验试验。启发是——当人工规则到顶时,把“规则本身”变成可学习的参数往往是 next step。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 图像识别与卷积神经网络 11.2.1 卷积运算 · 查看原书依据
一种卷积核只能表示一种类型的特征,因此我们需要设计多个卷积核来得到不同方面的特征。卷积核是一种超参数,需要人们长期试验汇集经验。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第11章《图像识别与卷积神经网络》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00016.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文指出一种卷积核只表示一种特征、需多个卷积核,且卷积核是需长期试验的超参数,并说明人工设计特征已达瓶颈,催生自主学习卷积核的 CNN,支撑本卡结论。
- 原始内容:一种卷积核只能表示一种类型的特征,因此我们需要设计多个卷积核来得到不同方面的特征。卷积核是一种超参数,需要人们长期试验汇集经验。