Deep-Learning
卷積網絡中卷積濾波器的數量有什麼意義？
卷積層中的過濾器數量表示什麼？
這個數字如何影響架構的性能或質量？我的意思是我們應該總是選擇更多數量的過濾器嗎？他們有什麼好處？人們如何為不同的層分配不同數量的過濾器？我的意思是看這個問題：How to determine the number of convolutional operator in CNN?
答案指定了具有不同數量的過濾器和大小的 3 個卷積層，同樣在這個問題中：卷積神經網絡中的特徵圖數量 從圖中可以看出，我們第一層有 28286 個過濾器，第二個 conv 層有 101016 個過濾器。他們是如何得出這些數字的，這是通過反複試驗嗎？提前致謝
卷積層中的過濾器數量表示什麼？- 我通常喜歡將過濾器視為特徵檢測器。儘管它取決於問題域，但特徵檢測器的重要性直觀地是網絡可能學習的特徵數量（如邊緣、線條、對象部分等）。另請注意，每個過濾器都會生成一個特徵圖。特徵圖允許您學習圖像中的解釋性因素，因此 # 過濾器越多意味著網絡學習的越多（不一定一直都很好 - 飽和度和收斂性最重要）
這個數字如何影響架構的性能或質量？- 我認為您不會為這些類型的問題找到一個好的答案，因為我們仍在嘗試將 DL 黑匣子內部發生的事情形式化。再次直觀地，您將學習更強大的非線性函數，您擁有的濾波器組越多，但性能將取決於任務類型和數據特徵。您通常想知道您正在處理哪種數據以確定架構中的#參數（包括過濾器）。我需要多少個過濾器？更像是詢問我的數據集中的圖像有多複雜（特別是）。沒有任何正式的概念將 # 過濾器與性能相關聯。它都是實驗性的和迭代的。確保有很多跟踪和錯誤。