※ 引述《wavek (坏猫咪)》之铭言： : 假设今天我的数据是一百张CIFAR10的图片 : 32 * 32 color RGB, 10 classes : 我的架构如下, 当然重点其实只在我的Input layer有四个节点 : https://imgur.com/EOYvM4z : 那我的数据会怎麽样进入输入层??? : (1) : 100张图片分成四份 : 每个节点有25张图片进入 : (2) : 每个节点都会有完整的100张图片进入 : (3) : 100张图片 : 每张图片会被分成四等分 : 然後每一等分分别进入不同的节点 : (4) : 还有听到个说法 : 没有所谓的输入层 : 那个只是视觉化表现比较方便 : 阿 那数据是怎麽输入的XD : 还是是其他方式, 有大神可以平易近人的说明吗QQ 在极度特殊的情况下, 如果你能发现输入资料潜在的特徵, 可以利用 特定四个点的某个颜色的值, 例如照片四个角落的红色值, 做为输入 层的四个节点, 就能达到令人满意的辨识度(比方说测试样本的正确率 >95%), 那麽输入层只有4个节点为何不可以呢? 只是, CIFAR10照片集并不是极度特殊的情况, 所以输入层只有4个节 点, 很难透过多个多节点隐藏层来获得一般人能够接受的正确辨识率. 因此, 建议刚开始尝试Keras时, 仍然以每个点的RGB值, 总共32*32*3 =3072节点放在输入层, 较能得到不错的辨识正确率. 之後, 你就可 尝试减少输入层节点数, 例如只取奇数列的32个点, 於是输入层只剩 16(列)*32(栏)*3(色)=1536个节点, 或是进一步把RGB三色用灰阶来表 示, 於是输入层只剩16(列)*32(栏)*1(色)=512个节点. 其实, 对於照片或影像这种二维空间的资料, 使用CNN可能是更好的做 法. 所以, 输入层不会是排成一维的I个节点, 而是二维J*K=I个节点. 处理完CNN後, 才会把CNN的二维输出层扁平化, 变成一维的输入层, 再经过多个多节点隐藏层直到输出层(例如CIFAR10的十个分类就有10 个输出层节点). 所以, 假如你在CNN不断萃取之後, 输出层就是只剩 4个节点, 那麽扁平化之後, 输入层当然也是只有4个节点. 这又是另 外一种情况, 与前面所述照片未经CNN处理, 直接拿四个角落的红色值 当输入层完全不同. 你若了解CNN就会知道我的意思. 总之, Keras是一个不错的工具, 初学者很容易上手, 但要真正熟悉 Keras, 还是需要多多尝试各种网路架构的组合(例如不要扁平化的全 CNN), 才能更加清楚深度学习的奥妙. --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 180.217.66.155 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Python/M.1555779285.A.1FE.html