在 CNN，我怎么能决定不。输入图像和第一个隐藏层之间的特征映射等等？
In CNN, How can I decide no. of feature map between input image and first hidden layer and so on?
我有 MxN rgb 图片。所以这里没有。颜色通道数将为 3(r,g,b)。现在我想构建一个 CNN 模型。所以没有神经元输入神经元将是 MxN.Let 我们有 nxn 接受 fields.so 第一个隐藏层中没有神经元将是 (M-n+1)x(M-n+1)。所以我的问题是：
- 我怎么能决定不呢。输入图像和第一个隐藏层之间的特征映射等等？
- feature map和feature channel是怎么连接的？特征通道和颜色通道有什么关系吗？
我是新手 CNN.any 已接受回复类型。
答案1：任何层中feature map的数量是一个可以调整的参数。通过这些参数的不同值（特征图的数量），模型将最终学习不同类型的低级和高级特征。确定特征图数量的最佳方法是尝试不同的值并检查准确性（或将它们可视化）。
回答2：一般来说，前一层的feature maps（比如L1个feature maps）被认为是一个L1-channel图像，和一个有效的kernel（也是 L1 通道内核）并为下一层获得单个特征图。如果你想在下一层有 L2 数量的特征映射，你基本上必须有 L2 数量的不同内核（那些 L1 通道内核）。这适用于所有卷积层。
希望对您有所帮助！
我有 MxN rgb 图片。所以这里没有。颜色通道数将为 3(r,g,b)。现在我想构建一个 CNN 模型。所以没有神经元输入神经元将是 MxN.Let 我们有 nxn 接受 fields.so 第一个隐藏层中没有神经元将是 (M-n+1)x(M-n+1)。所以我的问题是：
- 我怎么能决定不呢。输入图像和第一个隐藏层之间的特征映射等等？
- feature map和feature channel是怎么连接的？特征通道和颜色通道有什么关系吗？
我是新手 CNN.any 已接受回复类型。
答案1：任何层中feature map的数量是一个可以调整的参数。通过这些参数的不同值（特征图的数量），模型将最终学习不同类型的低级和高级特征。确定特征图数量的最佳方法是尝试不同的值并检查准确性（或将它们可视化）。
回答2：一般来说，前一层的feature maps（比如L1个feature maps）被认为是一个L1-channel图像，和一个有效的kernel（也是 L1 通道内核）并为下一层获得单个特征图。如果你想在下一层有 L2 数量的特征映射，你基本上必须有 L2 数量的不同内核（那些 L1 通道内核）。这适用于所有卷积层。
希望对您有所帮助！