Come si ottengono/definiscono i filtri nelle reti neurali convoluzionali?

Question

Come implementare un autoencoder profondo (e come ottenere i filtri dalla rete nevralgica convulturale (CNN)? La mia idea è qualcosa di simile: fare immagini casuali delle immagini di input (28x28) e ottenere patch casuali (8x8). Quindi utilizzare autoencoder per imparare le caratteristiche comuni delle patch (caratteristiche = unità nascoste, circa 100, per esempio) Quindi applicare i filtri caratteristiche alle immagini di input e fare convoluzione Sono corretto?

Sono confuso perché a volte lo stato della letteratura solo usando come, ad esempio 8, i filtri, ma nel mio caso ho 100..g. 2 o 3 livelli)? Qualche idea o risorsa?

Answer 1

È possibile seguire il tutorial: http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial

Questo è come una lezione su entrambe le auto-encoder e alcune cose semplici su CNN (convoluzione e messa in comune). Quando completerai questo tutorial avrai sia l'implementazione di auto-encoder che l'auto-encoder in pila nelle tue parole l'implementazione di auto-encoder in profondità pronta.

Questo tutorial avrà esattamente quello che chiedi:

• 28x28 immagini MNIST

• ottenere patch 8x8 e di apprendimento filtri utilizzando auto-encoder

• convolvendo queste immagini da questi 8x8 filtri

• raggrupparli

• utilizzando i vettori/le immagini raggruppate e inserendoli in un classificatore soft-max per apprendere 10 diverse classi di database MNIST.