← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9890.h · 生成模型:Hunyuan

结构化输出与变尺寸输入

理解等级:高级

卷积网络不止输出类标签或标量,还能输出高维结构化张量,例如张量中每个元素是某像素属于某类的概率,从而实现逐像素标记和沿对象轮廓的精确掩模。为使输出与输入尺寸相近,可避免把池化堆在一起、直接产出低分辨率标签网格,或用单位步幅池化。逐像素标记的一种策略是先用相邻像素交互反复修正初始猜测,每步用同一卷积、在层间共享权重,形成特殊的循环卷积网络。卷积还能处理可变空间尺度的输入——核按输入大小重复作用、输出同比缩放,这是全连接网络做不到的;若需固定大小输出(如整图分类),要插入与输入成比例的池化以保持固定数量的池输出。需注意,只有因对同一事物观察量不同导致的尺寸变化才适合卷积,因观察种类不同造成的尺寸变化并不适用。

这张卡片看不懂?

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

    • 第9章 卷积网络 · 查看原书依据

      卷积神经网络可以用于输出高维的结构化对象,而不仅仅是预测分类任务的类标签或回归任务的实数值。通常这个对象只是一个张量,由标准卷积层产生。

    参考来源

    - 位置:《深度学习》第9章 卷积网络(源文件:extracted/深度学习/_epub-src/text/part0003.html) - 结论依据:原文介绍结构化输出张量与循环卷积网络,并讨论可变尺寸输入的适用条件及反例(大学申请特征)。 - 原始内容:卷积神经网络可以用于输出高维的结构化对象,而不仅仅是预测分类任务的类标签或回归任务的实数值。通常这个对象只是一个张量,由标准卷积层产生。