深度学习: 网络超参数设定

Introduction

网络超参数包括：
输入图像像素、卷积层参数、池化层参数。

输入图像像素

应事先将图像统一压缩至 2n 2 n 大小。

好处：

• 同规格输入 才能得到 同规格输出；
• 防止无法输入全连接层（因为全连接层的输入大小已经被提前写死了）；
• 便于多GPU并行。

卷积层参数

具体可查看TensorFlow中的API：tf.nn.conv2d

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

卷积核大小 (kernel size)

有的说法是 “多用小卷积核替代大卷积核” ，仁者见仁智者见智吧。

	小卷积核	大卷积核
优势	1.减少卷积参数总数；2.增强了网络容量和模型复杂度。	1.网络层数少；2.收敛快。
劣势	1.整个网络的总计算量增加（虽然对单个卷积层而言计算量不变，但卷积层数增加了，因此计算总量也就上去了）; 2.增加了“梯度弥散”的风险（因为层数增加了）。

当 卷积核的横截面 与 输入图像的横截面 等大 时，卷积层 变成了 全连接层 。

卷积填充 (padding)

padding参数设置	含义
“SAME”	保证了 输入 与 输出 的size一致
“VALID”	零填充，尊重原生计算结果

卷积步长 (stride)

卷积时在 图像每一维([batch, in_height, in_width, in_channels])的步长，这是一个一维的向量，长度4。

池化层参数

池化层的核一般也设置为 较小的size 。

常取的size值为 2×2 2 × 2 ， 3×3 3 × 3 。

Note：

• pooling本质上是先划格子后微缩，并没有stride一说。如果非要有，那么stride=size。

---

[1] 解析卷积神经网络—深度学习实践手册
[2] tf.nn.conv2d
[3] 深度学习: pooling (池化 / 降采样)