به بخش پرسش و پاسخ یادگیری عمیق خوش آمدید,
این نسخه آزمایشی سایت است.
لطفا به نکات زیر توجه کنید:
  • برای ارتباط با مدیران میتوانید از صفحه مدیران اقدام کنید.
  • سوال و جواب ها باید به زبان فارسی باشند. استفاده از زبان انگلیسی یا فینگلیش برای پاسخ دادن مجاز نیست.
  • لطفا بعد از پرسش سوال لینک سوال خود را در گرو تلگرام (Iran Deep Learning Group) معرفی کنید تا سریعتر به جواب برسید. برای دسترسی به آخرین لینک از منابع یادگیری استفاده کنید
  • لطفا بجای عکس از متن استفاده کنید. اگر متون طولانی هستند از سایت pastebin.com برای اپلود استفاده کرده و لینک حاصل را در سوال خود قرار دهید. برای قرار دادن تصویر ، از بخش ارسال تصویر ادیتور سایت استفاده کنید.
  • بعد از دریافت پاسخ، بهترین پاسخ را از طریق کلیک بر روی علامت تیک انتخاب کنید
  • اگر با خطا و یا مشکلی مواجه شدید از بخش تماس با ما در انتهای صفحه و یا ایمیل Coderx7@gmail.com موضوع را اطلاع دهید.

با تشکر

دسته بندی ها

0 امتیاز

سلام
میخوام به جای لایه ی FC و چندین dense از لایه ی conv2d استفاده کنم که همون جواب رو بده
حس میکنم وقتی flatten میشن ویژگی ها، رابطه ی سطر و ستون ویژگی ها از بین میره !
چطور میشه اینکار رو کرد ؟
با تشکر

توسط (208 امتیاز)

1 پاسخ

+1 امتیاز

سلام

اگه درست متوجه شده باشم شما میخواید بجای استفاده از لایه های fc یا همون dense layer از لایه های convolution استفاده کنید. در حالت کلی شما در صورتی که از pooling استفاده می کنید و یا وقتی که flatten می کنید اطلاعات مکانی رو از دست میدید. معمولا این از دست رفتن اطلاعات مشکلی در تسک های classification ایجاد نمیکنه. مگه اینکه بخواید per_pixel_classification انجام بدید. مناسبتر اینه که شما از ابتدا تا انتها از لایه های convlution استفاده کنید. و برای اینکه از ابتدا تا انتها کم کم ابعاد رو کم کنید تا به ابعاد تعداد کلاس ها برسید بایستی اطلاعاتی مکانی رو با استفاده از pooling از بین ببرید.

توسط (830 امتیاز)
سلام
ممنون از پاسختون
لازمه از conv2d با کرنل یک در یک استفاده بشه یا نه ؟
مثلا اگر 5 کلاس داشتیم باید لایه ی آخر conv2d با 5 کرنل داشته باشیم بعدش روش چی بزنیم که کلاس رو بده ؟
کرنل یک در یک برای افزایش یا کاهش عمق فیچرها هستش و در عمق تغییر ایجاد می کنه و در فضای مکانی (spatial) تغییری ایجاد نمیکنه. شما برای کاهش فضای مکانی بایستی از pooling استفاده کنی که باعث میشه اطلاعات از دست بدید.
اگه مسئله اصلی رو توضیح بدید شاید بهتر بشه کمکتون کرد.
...