當我們知道 CNN 共有多少參數時,就能調整模型架構,以降低參數數量,或把參數從網路的一部分移到另一部分。若輸入是 28×28 像素的影像,且模型包含:一個有 10 個單元、每個使用 3×3 像素卷積核的卷積層,採用零填充(輸入與輸出尺寸相同),以及一個具 2 個單元的全連接層,則這個網路會有多少參數?
本練習屬於課程
將理論付諸實踐,立即體驗我們的互動練習
卷積神經網路會從影像中所表徵的資料來學習。本章將帶你探查影像中的資料,並學習如何使用 Keras 訓練神經網路,將影像中出現的物體加以分類。
卷積是卷積神經網路的基本組成元件。本章將介紹卷積,並帶你了解它如何作用於影像資料。你也會看到如何把卷積納入 Keras 神經網路中。
當卷積神經網路由多層堆疊(深度網路)構成時,能發揮更強的威力。本章將教你如何將多個卷積層堆疊成深度網路。你也會學到,隨著網路變大,如何追蹤並控制參數的數量。
當前練習
有許多方法可以改進神經網路的訓練效果。本章將著重於如何追蹤網路的表現,並探索改進卷積神經網路的各種作法。