[英]CIFAR-10 python architicture
我在这里关注本教程。
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same', input_shape=(32, 32, 3)))
model.add(Conv2D(32, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same'))
model.add(Conv2D(64, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(128, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same'))
model.add(Conv2D(128, (3, 3), activation='relu', kernel_initializer='he_uniform', padding='same'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu', kernel_initializer='he_uniform'))
model.add(Dense(10, activation='softmax'))
我试图理解使用 CIFAR-10 数据集的给定代码。
为什么他使用kernel_initializer='he_uniform'?
他为什么选择128作为密层?
如果我们向代码中添加更密集的层会发生什么,例如:
model.add(Dense(512, activation='relu', kernel_initializer='he_uniform'))
有没有办法提高模型的准确性?
什么是合适的辍学率?
为什么他使用
kernel_initializer='he_uniform'
?
神经网络层中的权重是随机初始化的。 怎么办? 他们应该遵循哪种分布? he_uniform
是一种初始化该层权重的策略。
他为什么选择128作为密层?
这是随意选择的。
如果我们在代码中添加更密集的层会发生什么:
model.add(Dense(512, activation='relu', kernel_initializer='he_uniform'))
我认为您的意思是将它们添加到另一个 128 神经元密集层所在的位置(在那里它不会破坏模型)模型将变得更深,并且具有更多数量的参数(即您的模型将变得更加复杂),无论积极或消极伴随着这一点。
什么是合适的辍学率?
通常您会看到 [0.2, 0.5] 范围内的比率。 较高的速率会减少过拟合,但可能会导致训练变得更加不稳定。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.