컨볼 루션 신경망의 레이어 수

Question

저는 회선 네트워크의 초보자입니다. 나는 그 (것)들을 실행하고 몇몇 의혹으로 직면하기 위하여 손가락을 이용한다. 자리에서

우리가 3 개 표준 서류가 구현 얼마나 많은 전환 층/완전히 연결 계층 등 - 이미지의 기본 분류 문제를 시도하는 동안

1. , 어떻게 우리는 층의 수를 결정합니까 특정 데이터 세트는 어떤 아키텍처를 사용할 것인지, 언제 우리가 자체 아키텍처를 사용해야 하는지를 알 수있는 방법이 있습니다.
2. 어떻게 숨겨진 레이어는 문제 해결에 도움이 될 수 있습니다 - 즉, 가능한 어떤 결정을 우리는 얼마나 많은 층 또는 뉴런 필요하거나 최선의 아키텍처에 숨겨진 계층

Answer 1

결정의 결과를보고 취할 수 신경 네트워크를 구축하기위한 것이 분명하거나 가능하지 않았습니다. 주요 프로 시저를 수행하기 전에 일부 매개 변수를 작성한 다음 훈련 세트 및 테스트 세트의 성능을 측정하거나 데이터를 과도하게 맞추고 최상의 매개 변수를 결정하거나 유전자 알고리즘과 같은 다른 알고리즘을 시도하는 것이 가장 좋습니다.

결론 네트워크 성능을 측정하거나 처음부터 시작할 필요가없고 네트워크 학습을 통해 전송 학습과 미세 조정을 적용하여 점차적으로 구축 할 수있는 다른 알고리즘을 적용 할 때마다 처음부터 다시 시작하십시오.

Answer 2

심오한 배움을 그렇게 민주적이고 놀랍게 만드는 핵심 철학은 간단하게 "영웅이되지 마라"입니다.

대부분의 경우 최고의 학습 모델은 훈련에 수백만 개의 데이터 포인트와 주를 소비한다는 것을 의미합니다. 우리 대부분은 저 성능 PC로 구현할 수 없습니다 (예 : 단일 GPU 시스템은 성능이 낮음). 그렇다면 왜 NN 아키텍처를 구축하고 교육하는 데 시간을 낭비하고 싶습니까? 단순하지 않습니다.

전송 학습이 해결책입니다! 문제와 유사한 데이터에 대해 교육을받은 모델을 찾고 사전 훈련 된 가중치를 사용하여 데이터 세트를 미세 조정하십시오. 이렇게하면 이미 입증 된 NN 아키텍처를 얻게 될뿐 아니라 교육에서 중요한 출발점이됩니다.

사전 훈련 된 모델을 찾는 가장 좋은 장소는 caffe 모델 동물원이므로 한번 살펴보십시오.