Alex_材料科学与工程

摘要： 遗留的问题暂存在这里： - 在搭建完第一个神经网络-CNN，发现里面存在许多问题还没理解透彻。 - 尤其在卷积层和池化层上的步长选择，padding的模式，在哪一种情况下会更好。 - 在dropout的时候dropout rate为多少时，能提高accuracy。 - 在optimizer的选择上， 阅读全文

摘要： 先把问题贴出来： 问题主要来自神经网络各层对输入数据维度理解的问题，还是在理论上欠缺很多。 这是修改后的code： 由于自己的台式机太水，在训练的时候太耗费时间了！ 我是按照这张图搭建的神经网络，在第二次池化到扁平化处理的时候，我一直没有理解好为什么维度不兼容，后来查阅了一些别人写的MNIST代码， 阅读全文

摘要： 池化与卷积差不多（个人认为！），原因在于池化类似于亚采样。 阅读全文

摘要： input：输入数据 filter：过滤器 strides：卷积滑动步长，实际上可以解释为过滤器的大小 padding：图像边填充方式 > 在这里详细地对各个参数做出解释： input：就是卷积的输入数据，该输入数据要求是一个Tensor，所以张量的shape为[batch, in_height, 阅读全文