我用一些卷积核从头开始编写了我的 CNN 代码。但是当只有几个卷积核 (3*3) 时，我的 CNN 无法正确识别翻转/旋转的图像。我的卷积核在训练过程中变化很小。为什么？
当有超过 10 个卷积核时，我的 CNN 开始识别经过处理的图像。所以更多的内核会有所帮助。然而，它也开始做出错误的识别。
与卷积核大小相比，图像的分辨率将如何影响结果？分辨率越高，这个拟合问题的维度就越高
CNN识别旋转图像的策略
数据挖掘
美国有线电视新闻网
图像识别
核心
2022-03-06 11:29:55
2个回答
CNN 的学习取决于网络的宽度和深度。更广泛和更深入的网络可以学习更复杂的数据结构，包括数据增强图像。增加网络的宽度和深度会增加模型学习特征的能力。
宽度通常与特征的数量相关。网络越广泛，它能够学习的特征就越多。想象一个非常薄的网络。它只会学习与任务的高性能相关的单个特征。
深度将增加模型的容量，更好地权衡较低级别的特征。每个连续的层都是前一层的组合。较低层学习简单的特征，这些特征组合起来在较高层中创建复杂的特征。在人脸的情况下，较低层学习不同方向的线。更高层学习将这些线条组合起来形成眼睛和鼻子。
增加内核的数量是增加网络宽度的一种方法。
增加层数（即深度）通常更有用。
您的 CNN 是否包含池化层？它们用于处理不变性，如https://stats.stackexchange.com/a/239079中所述