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MSRA最新的 Relation Networks for Object Detection? 
  有哪些关于机器学习的真相还鲜为人知? 
  如何评价陈天奇团队新开源的TVM? 
  如何评价论文「Stochastic Training is Not Necessary ...」? 
  深度学习领域,你心目中 idea 最惊艳的论文是哪篇? 
  如何看待在某度搜不到megengine官网? 
  如何评价MSRA最新的 Relation Networks for Object Detection? 
  围棋AI为什么没有下出同局? 
  如何看待MXNet在CVPR2017上公布的gluon接口? 
  强化学习和自适应控制的关系是什么? 

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?





© 2025-05-06 - tinynew.org. All Rights Reserved.
© 2025-05-06 - tinynew.org. 保留所有权利