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

با سلام
من قصد دارم در یک شبکه در تنسور فلو از لایه کانولوشن 1 در 1 قبل از لایه کانولوشن استفاده کنم. آیا باید در تابع اصلی کانولوشن تغییر ایجاد کنم؟ یعنی تعریف تابع اصلی به صورت برابر بودن بعد سوم می باشد؟
سایز وزن های لایه کانولوشن :

w_c_1 = tf.Variable(tf.random_normal([5, 5, 1, 32]))

سایز لایه کانولوشن 1 در 1:

w_c_1b1=tf.Variable(tf.random_normal([1, 1, 16, 64])) 

خطای برنامه:

Dimensions must be equal, but are 32 and 16 for 'Conv2D_15' (op: 'Conv2D') with input shapes: [?,28,28,32], [1,1,16,64]

آیا خطا در تعریف ابعاد وزن های لایه هاست؟
با تشکر

توسط (106 امتیاز)

1 پاسخ

0 امتیاز

با سلام
در این کد باید بجای 16 بنویسید 32
در کل نیازی به تغییر تابع اصلی کانولوشن نیست.
توصیه می کنم tf.layers.separable_conv2d رو مطالعه کنید.

توسط (830 امتیاز)
ممنون از پاسخ تون.
اینکه به جای 16 تعداد کانال هارو 32 قرار بدم، یعنی کانال های ورودی و تعداد کانال های فیلتر برابر میشه؟ با این توصیف دیگه feature pooling معنی نداره. در واقع همون کانولوشن معمولی انجام میشه؟
...