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

  如何评价「Patches are all you need」? 
  Google 的神经网络生成图像 (Inceptionism) 是怎么做到的? 
  神经网络中的能量函数是如何定义的? 
  如何评价1700亿参数的GPT-3? 
  如何评价 On Unifying Deep Generative Models 这篇 paper? 
  因果推断会是下一个AI热潮吗? 
  DL框架的未来发展,TensorFlow/MXNet/PyTorch, 选哪个? 
  什么是人工智能?人工智能、机器学习、深度学习三者之间有什么关系吗? 
  国内 top2 高校研一在读,为什么感觉深度学习越学越懵? 
  2022 年人工智能领域的发展趋势是什么?你都有哪些期待? 

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?





© 2025-05-28 - tinynew.org. All Rights Reserved.
© 2025-05-28 - tinynew.org. 保留所有权利