深度学习中如何选择CNN的window大小？
How to choose the window size of CNN in deep learning?
在卷积神经网络 (CNN) 中，过滤器 select 用于权重共享。例如，在下面的图片中，选择了步幅（相邻神经元之间的距离）为 1 的 3x3 window。
所以我的问题是：如何选择window尺码？如果我使用4x4，步幅为2，会有多大差异？非常感谢！
对此没有明确的答案：过滤器大小是您通常需要调整的超参数之一。但是，有一些有用的观察结果可能会对您有所帮助。通常首选较小的过滤器，但数量。
示例：四个 5x5 过滤器有 100 个参数（忽略偏差），而 10 个 3x3 过滤器有 90 个参数。通过更大的过滤器，您仍然可以捕获图像中的各种特征，但参数更少。关于此的更多信息 here。
现代 CNN 在这个想法上走得更远，选择连续的 3x1 和 1x3 卷积层。这进一步减少了参数的数量，但不影响性能。见 evolution of inception network.
步幅的选择也很重要，但它会影响卷积后的张量形状，从而影响整个网络。一般规则是在通常的卷积中使用 stride=1 并使用填充保留空间大小，并在要对图像进行下采样时使用 stride=2。
在卷积神经网络 (CNN) 中，过滤器 select 用于权重共享。例如，在下面的图片中，选择了步幅（相邻神经元之间的距离）为 1 的 3x3 window。
所以我的问题是：如何选择window尺码？如果我使用4x4，步幅为2，会有多大差异？非常感谢！
对此没有明确的答案：过滤器大小是您通常需要调整的超参数之一。但是，有一些有用的观察结果可能会对您有所帮助。通常首选较小的过滤器，但数量。
示例：四个 5x5 过滤器有 100 个参数（忽略偏差），而 10 个 3x3 过滤器有 90 个参数。通过更大的过滤器，您仍然可以捕获图像中的各种特征，但参数更少。关于此的更多信息 here。
现代 CNN 在这个想法上走得更远，选择连续的 3x1 和 1x3 卷积层。这进一步减少了参数的数量，但不影响性能。见 evolution of inception network.
步幅的选择也很重要，但它会影响卷积后的张量形状，从而影响整个网络。一般规则是在通常的卷积中使用 stride=1 并使用填充保留空间大小，并在要对图像进行下采样时使用 stride=2。