人工智能培训

搜索

人工智能教程:如何使用SVM作为最后一层的分类器来制作CNN?

[复制链接]
admin 发表于 2018-5-18 10:23:25 | 显示全部楼层 |阅读模式
admin 2018-5-18 10:23:25 264 0 显示全部楼层
人工智能教程:如何使用SVM作为最后一层的分类器来制作CNN?考虑一个AlexNet或VGG类型的体系结构,其中有多个卷积层,后面是多个完全连接的层。一条思路是卷积层提取特征。完全连接的图层使用这些特征来解决图像分类任务。因此,最终卷积层的输出是我们原始输入图像的表示。您绝对可以在分类问题中将此表示用作SVM的输入,尽管少数完全连接的层可能会表现更好。假设您获得深度CNN的预训练权重。对于任何输入图像,可以通过计算到最终的卷积图层来生成表示,然后将这些表示用作SVM的输入。这很快,假设你没有偏离原始图像分类任务,可能会表现得体。

人工智能教程:如何使用SVM作为最后一层的分类器来制作CNN?一般来说,当你与kernals进行交互并传播权重和卷积时,你可以根据Matris值和Kernel映射的交错来推导出值。但是,转置 - 在转换矩阵时,就处理维度而言。想想它,把你已经有的东西 - 这个方块,这个矩阵 - 但是,你把它翻转过来。现在,你使用它的方式是换位卷积层处理 - 是逆向工程。有点。凭借能够转置价值观 - 您可以追溯到您到达目的地的方式,从做权重的卷积开始。由于一个Matris的固有方面可以被认为是一个Dimensional Cube,你可以诊断它 - 从根本上来说,转置类型意味着 - 在分解时解构尺寸矩阵以引起压缩开始。对此,您稍后可以用“移位卷积”再次“折叠”。从根本上说 - 这是尺寸和立方体的维度的几何之间的相互作用,线性结构和其奇点可以与凸壳相关 - 指令 - 如果它足够独立以符合某些您可诊断的事物 并在缩放方面相互作用。看,并非所有的matrises都是可对角化的 - 所以,并非所有的matrises都是2x2或者3x3--也不都支持对角化和解构等概念。
但假设,你可以从它们的价值观卷积开始解构它们 - 你自然可以暗示 - 转置卷积。
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则 返回列表 发新帖

admin当前离线
管理员

查看:264 | 回复:0

快速回复 返回顶部 返回列表