百科问答小站 logo
百科问答小站 font logo



卷积神经网络中卷积核是如何学习到特征的? 第1页

  

user avatar   liustein 网友的相关建议: 
      

保证不了,所以要高度过参数化,保证有大量的种子选手可供选择,最后总会有幸运儿学到特征。

所以参数对初始化非常敏感,重新初始化一下,网络内部结构会完全改变。这个就类似于蝴蝶效应,有一个卷积核向某个方向略偏了一下,结果正好撞上了狗屎运(梯度),居然恰好在对的位置,能获得越来越多的运气(梯度),学到的这个特征就会越来越肯定。

这也是为什么,训练好的神经网络,有用的部分不多,有用的部分只是因为运气好。而没有被梯度之神选中的牺牲品,如果一开始没得到梯度,就成了弃子了,之后就永远都得不到了!

梯度,永远滴神。 ——知乎 @霍华德



  

相关话题

  Graph Attention Network的本质是什么? 
  深度学习应用在哪些领域让你觉得「我去,这也能行!」? 
  生成对抗网络的毕设怎么上手? 
  基于对比学习(Contrastive Learning)的文本表示模型【为什么】能学到语义【相似】度? 
  当前人工智能特别是深度学习最前沿的研究方向是什么? 
  2021年,作为算法工程师的你们会在CV业务落地上用Transformer吗? 
  对于神经网络,硕士博士不需要弄明白原理,只需要应用,是这样吗? 
  为什么有的论文放出训练好的模型和测试脚本,但不开源训练代码? 
  计算机视觉顶级会议论文中比较适合初学计算机视觉的人做的复现实验有哪些? 
  BERT中,multi-head 768*64*12与直接使用768*768矩阵统一计算,有什么区别? 

前一个讨论
工作之后,顶会还重要吗?
下一个讨论
多模态方面,有哪些牛组值得我们follow他们的工作?





© 2025-03-31 - tinynew.org. All Rights Reserved.
© 2025-03-31 - tinynew.org. 保留所有权利