شبکه عصبی کانولوشنال

Question

با سلام
یک شبکه cnn به صورت زیر در محیط MATLAB طراحی شده است:

Layers = [imageInputLayer([1 Num_Bands 1]); % input layer

      convolution2dLayer([1 15],10,'Padding',[0 7]);      
      reluLayer;
      
      % convolution2dLayer([1 15],40,'Padding',[0 7]);     
      % reluLayer;
      
      % convolution2dLayer([1 15],40,'Padding',[0 7]);     
      % reluLayer;
      
      % convolution2dLayer([1 15],50,'Padding',[0 7]);     
      % reluLayer;
      
      % convolution2dLayer([1 15],50,'Padding',[0 7]);     
      % reluLayer;
      
      % convolution2dLayer([1 15],50,'Padding',[0 7]);     
      % reluLayer;
      
      % convolution2dLayer([1 15],60,'Padding',[0 7]);     
      % reluLayer;
      
      % convolution2dLayer([1 15],60,'Padding',[0 7]);     
      % reluLayer;
                
      convolution2dLayer([1 15],20,'Stride',2,'Padding',[0 7]);
      reluLayer;
      
      % convolution2dLayer([1 15],70,'Padding',[0 7]);     
      % reluLayer;
      
      % convolution2dLayer([1 15],70,'Padding',[0 7]);     
      % reluLayer;
      
      % convolution2dLayer([1 15],70,'Padding',[0 7]); 
      % reluLayer;
      
      % convolution2dLayer([1 15],80,'Padding',[0 7]);    
      % reluLayer;
      
      % convolution2dLayer([1 15],80,'Padding',[0 7]);   
      % reluLayer;
      
      convolution2dLayer([1 15],10,'Stride',2,'Padding',[0 7]);   
      reluLayer;
                                           
      % convolution2dLayer([1 15],70,'Padding',[0 7]);
      % reluLayer;
      
      % convolution2dLayer([1 15],70,'Padding',[0 7]);
      % reluLayer;
      
      % convolution2dLayer([1 15],60,'Padding',[0 7]);
      % reluLayer;
               
      convolution2dLayer([1 15],10,'Stride',2,'Padding',[0 7]);  
      reluLayer;
      
      % convolution2dLayer([1 15],50,'Padding',[0 7]);
      % reluLayer;
      
      % convolution2dLayer([1 15],50,'Padding',[0 7]);
      % reluLayer;
      
      % convolution2dLayer([1 15],40,'Padding',[0 7]);
      % reluLayer;
      
      convolution2dLayer([1 15],5,'Padding',[0 7]);
      reluLayer;
      
      % convolution2dLayer([1 15],30,'Padding',[0 7]);
      % reluLayer;
                          
      convolution2dLayer([1 15],5,'Stride',2,'Padding',[0 7]);
      reluLayer;
      
      % convolution2dLayer([1 15],20,'Padding',[0 7]);
      % reluLayer;
      
      % convolution2dLayer([1 15],20,'Padding',[0 7]);
      % reluLayer;
      
      convolution2dLayer([1 15],5,'Padding',[0 7]);
      reluLayer;
       
      averagePooling2dLayer([1 7]);        % average pooling layer
      
      % convolution2dLayer([1 1],1);
      % reluLayer;
      
      fullyConnectedLayer(2);
      softmaxLayer;
      classificationLayer];             % output layer  

مشکل اینجاست که این شبکه به ازای ورودی های مختلف یک جواب ثابت می دهد. به طور دقیق تر این که ما در داده های ورودی دو کلاس داریم. اما برای تمام پیکسل ها یا بردارهای ورودی دو مقدار احتمال به صورت ثابت به دست می آید: احتمال کلاس 1 و احتمال کلاس 2. این مقادیر احتمال برای تمام ورودی ها یکسان است.
سوال این است که آیا معماری این شبکه مشکل دارد یا داده های آموزشی دارای اشکال است؟
با تشکر

Answer 1

سلام
معمولا وقتی ورودی ثابت باشه، همیشه خروجی هم ثابت میشه
شما توی ورودی فقط Num_Bands رو متغیر دادین بقیه رو 1 دادین، در این صورت اگه Num_Bands شما ثابت باشه خروجی یکسانی دریافت می کنید