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
چند مورد سوال دارم ممنون میشم راهنماییم کنید
1- برای افزایش دقت شبکه CNN معمولا چه راه کارهایی موجوده؟ منظورم اینه که به جای آزمون و خطا تک تک این راهکارها رو امتحان کنیم.
2- معمولا از maxpooling (کلا pooling) برای کاهش ورودی (مثلا ابعاد تصویر) استفاده می کنیم درسته؟ اینطوری ابعاد تصویر خیلی کم میشه و نمی تونم لایه کانولوشن اضافه کنم چه راهکاری پیشنهاد میدهید؟
ببخشید این سوالات رو میپرسم مبتدی هستم اگر موردی رو کلا اشتباهی پرسیدم لطفا تصحیح بفرمایید.
با تشکر

توسط (100 امتیاز)

1 پاسخ

0 امتیاز

سلام
1-
آ- افزایش تعداد لایه های کانولوشنی و fc ( البته لازمه این کار اینه که به اندازه کافی داده هم داشته باشید تا overfit رخ نده)
ب - معماری رو بگونه ای اصلاح کنید تا از تعداد پارامترهای استفاده شده بیشترین راندمان رو بگیرید.
پ - تست شبکه با پارامترهای متفاوت (نرخ یادگیری، تعداد فیلتر ها، سایر فیلترها، بچ سایز و ... )
ت - استفاده از loss function مناسبترو یا چند loss بطور همزمان.
ث - استفاده از batch_normalization
جیم - استفاده از فیلترهای با ابعاد مختلف در یک لایه بصورت موازی (Pyramid Pooling)
چیم - استفاده از چندین loss در جاهای مختلف (supervision ) هم میتونه کمک کننده باشه
صاد - ...

2- استفاده از max-pooling برای کاهش ابعاد ویژگیهای ورودی می باشد. همچنین این موضوع قدرت تشخیص اشیاء جابجا شده و چرخیده شده در تصویر را بیشتر می کند. بعلاوه هر چند بعد از چند مرحله کانولوشن و max-pooling ابعاد ویژگی ها کاهش می یابند ولی این ویژگی ها غلیظ تر (سطح بالاتر) هستند. بعبارت دیگر به مجموعه ویژگی های کمتر میرسید که ارائه دهنده ویژگی کل تصویر می باشد.

-- بهتره قبل از اینکه در سایت سوالی مطرح کنید این موضوعات پایه ای رو کامل مطالعه کرده باشید.
موفق باشید.

توسط (830 امتیاز)
...