1回答
我在谷歌上找不到一个简单的答案，这让我觉得答案是否定的，但我想确定.
在前馈网络中，所有的权重层都会被反向传播，但是在反向支撑步骤上的卷积神经网络会发生什么呢？仅仅是网络的前馈部分(在卷积和池层之后)才会得到支持吗？这意味着卷积层是静态特征提取的一种形式。
浏览 0提问于2019-07-30得票数 2
回答已采纳
0回答
卷积神经网络中的反卷积或反向卷积是什么意思？
我理解卷积，如果我们考虑一个3x3的窗口W和一个相同大小的核k，那么卷积W*K的结果将是一个值。这里的k是一个3x3元素的矩阵。在我的理解中，反卷积试图对特征地图进行上采样，以获得更大的地图。它是否使用用于获得特征图的相同卷积矩阵
浏览 10提问于2016-07-08得票数 2
1回答
卷积中的反向传播
、、、
我在理解反向传播是如何在卷积层中工作时遇到了一些困难。实际上，在计算隐藏层中的误差后，我们可以在误差图像中表示它。但是在那之后，我如何更新内核呢？我在下图中给出了一个例子:我们有一个图像错误(l+1) (计算了反向传播)连接到父对象的输出(l)和相关的内核K。
在位置(x，y)，误差将是: err = e1.k'1+e2.k'2+...+e9.k'9 (k‘核的系数在(l+1)中)。所以，如果我们没有矩，
浏览 0提问于2015-05-05得票数 1
1回答
我很难在网上找到关于如何在卷积神经网络中使用偏差进行反向传播的资源。我所说的偏差是指通过卷积得到的每个数字相加的数字。Here is a picture further explaining 我知道如何计算滤波器权重的梯度，但我不确定如何处理偏差。现在，我只是根据该层的平均误差来调整它。这是正确的吗？
浏览 57提问于2019-09-21得票数 0
回答已采纳
1回答
卷积神经网络的反向传播
、、、、
我已经看过很多关于这个主题的文章，基于Jefkine的卷积神经网络的反向传播似乎是最好的。尽管，正如作者所说，📷📷
我想出了如何用步幅、深度和更多的滤波器来
浏览 0提问于2018-07-21得票数 2
1回答
通常反向传播神经网络存在着梯度消失的问题。我发现卷积神经网络(CNN)有些如何摆脱这个消失的梯度问题(为什么？)
另外，在一些论文中，还讨论了CNN的一些预培训方法。有人能给我解释一下吗？
浏览 8提问于2014-10-17得票数 0
2回答
卷积神经网络中特征映射的滤波器
、、、、
在卷积神经网络中，我应该使用什么样的滤波器来提取特征图？我最近读到了关于卷积神经网络的文章，我了解到我们使用(一组滤波器)在每个卷积层生成一组特征映射，通过对前一层输出的滤波器进行卷积，生成一组特征映射。谢谢。
浏览 1提问于2015-12-05得票数 0
回答已采纳
当我用tensorflow研究神经网络时，我遇到了一个关于tf.nn.conv2D(x，W，strides=1，1，1，1，填充=‘相同’)的问题。当我输入图像值x和加权值W(由tf.truncated_normal(shape，stddev=0.1)初始化)时，我知道它将返回一些值，这是tf.nn.conv2D()的结果。但是我的问题是，当调用tf.nn.conv2D()时，它会改变权重值吗？
如果它改变了权重的值，它是如何工作的？事实上，当我打印权重值时，它会发生变化。但我不知道为什
浏览 7提问于2017-03-26得票数 0
回答已采纳
1回答
我正在尝试从头开始实现一个卷积神经网络。问题是我不明白过滤器是如何在CNN中学习的。 我以前从头开始实现了一个前馈神经网络，我知道反向传播是如何为它们工作的。我也了解CNN的基本架构。但是如何计算更新后的过滤器呢？ 我不想使用像tensorflow这样的库，因为我想了解所有这些背后的概念。
浏览 20提问于2019-05-06得票数 1
1回答
我是新的神经网络，并试图建立一个超简单的神经网络超过一个隐藏层。
在神经网络训练阶段调整权值时，权值的调整程度部分取决于该神经元对下一层神经元的“误差”程度。因此，我们需要知道下一层的错误。只需要一个隐藏层就可以计算出这一点，因为我们的训练数据已经为我们提供了预期的输出，所以我们只需要使用输出层(简单地说，目标输出)。当存在多个隐藏层时，计算误差就变得非常重要。也就是说，如果我们有10个隐藏层，而我们位于第5层，我们
浏览 5提问于2017-04-22得票数 5
回答已采纳
1回答
我使用的是机器学习应用程序接口，它使用平面实现来优化性能，它假设两层之间有一个完整的连接。
我想扩展它来支持卷积神经网络，但我不知道如何更新api来支持它。我考虑过将输入的权重设置为零，但不确定这将如何影响反向传播算法
浏览 5提问于2013-08-18得票数 2
1回答
我目前正在尝试理解在卷积神经网络中权重共享到底是什么。连接卷积图像和输出的权重是否是不共享的权重？如果不是，那么没有共享的权重是什么？或者，如果是反向传播，则将其视为一个权重，并将其
浏览 1提问于2017-05-09得票数 1
例如，有一个3乘3的图像，最后，输出维数为2x2x2。最后，我还可以得到8个输出。
我真的不知道CNN的反向传播，所以我试图从经典的完全连接的神经网络中理解它。通过输入一幅小图像，就可以在完全连接<e
浏览 1提问于2017-01-29得票数 0
回答已采纳
1回答
嗨，我正在做一个简单的卷积神经网络(图片附在下面)。输入映像为5x5，内核为2x2，它经历了一个ReLU激活函数。在ReLU获得最大的2x2池池后，这些池就会被平化，并连接到完全连接的层中。我已经通过网络进行了传播，现在正在执行反向传播步骤。取交叉熵和softmax的导数，计算了全连通层的权值。
我感到困惑的是如何通过最大池预先形成反向传播，然后最终在卷积
浏览 0提问于2020-07-22得票数 2
回答已采纳
1回答
CNN的反向传播训练
、、、、
我以前在浅层(一层或两层)神经网络中工作，所以我对它们的工作原理有一定的了解，在训练过程中很容易直观地看到向前和向后传递的导子，目前我正在研究深层神经网络(更确切地说，是CNN)，我读过很多关于它们的训练的文章，但我仍然无法理解CNN训练的总体情况，因为在某些情况下，使用预训练层的人使用自动编码提取卷积权，在某些情况下，随机权值被用于卷积，然后使用反向传播来训练权重，有谁能帮我给出
浏览 4提问于2016-07-11得票数 2
1回答
我知道常规的神经网络和像Gradient Descent和Back Propagation这样的概念，我也能理解CNN是如何直观地工作的。
我的问题是关于CNN的反向传播。它是如何发生的？最后一个完全连通的层是规则神经网络，这是没有问题的。但是我如何更新卷积层中的滤波器呢？如何将错误从完全连接的层反向传
浏览 1提问于2018-05-13得票数 0
回答已采纳
1回答
在提亚诺实施辍学
、、、、
我目前正在使用一个建立在Theano的卷积神经网络。丢包是一种正则化技术，其中节点输出以一定的概率被屏蔽，据我所知，掩码应该在正向和反向传播中应用。由于我目前在Theano工作，反向传播步骤被T.grad函数所代替，该函数使用自动微分来计算模型的梯度。在我在网上发现的几个例子中，它们只是在前向掩蔽值，在梯度计算步骤中根本不考虑辍学掩码。这会对网络产生什么样的影响，如果我想在梯度计算中包括掩码，我会怎
浏览 4提问于2016-06-16得票数 0
1回答
FaceNet算法(在文章中描述)使用卷积神经网络来表示128个维欧氏空间中的图像。当我读到这篇文章时，我不明白：
2.2 .为什么我要用损失函数来确定负片
2.3 .我什么时候检查我的图像相对于锚的硬度-我相信这是在我发送一个三胞胎被网络
浏览 2提问于2017-07-06得票数 4
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
