卷积神经网络中有哪些参数
时间: 2023-11-15 11:41:53 浏览: 86
Image-Super-Resolution-using-Deep-Learning:我们使用卷积神经网络通过提高分辨率和细节来改善图像质量。 通过回收相同的网络,我们可以实现2倍,4倍和8倍的放大倍数。 通过在CNN架构的损失函数中包含先验平滑度的正则化参数,我们进一步获得更好的质量
卷积神经网络中主要包括以下参数:
1. 卷积核大小:卷积核的大小决定了卷积操作的感受野大小,通常为 $3\times 3$、$5\times 5$ 等。
2. 卷积核数量:卷积层中的卷积核数量决定了该层网络的特征提取能力,通常设置为 32、64、128 等。
3. 步长(stride):步长表示卷积核在进行卷积操作时沿着输入数据的移动步长,通常为 1 或 2。
4. 填充(padding):填充是指在输入数据的边缘周围添加一圈“0”,以保证卷积后输出的特征图大小和输入数据大小相同,或者进行尺寸调整。
5. 权重(weight):卷积层中每个卷积核都有一组权重参数,用于计算输入数据和卷积核的卷积结果。
6. 偏置(bias):卷积层中每个卷积核都有一个偏置参数,用于对卷积结果进行偏移,增加网络的表达能力。
7. 激活函数参数:激活函数是卷积神经网络中非线性变换的核心,常用的激活函数包括 ReLU、Sigmoid、Tanh 等。这些函数都有一些参数,如 ReLU 的负数部分截断值等。
8. 池化参数:池化层用于对特征图进行下采样,常用的池化方式包括最大池化、平均池化等。池化操作的参数包括池化核大小和步长。
阅读全文