深度學習｜內行人的做法

322

|

第七章：特定深度網路架構的調整

卷積層序列中並沒有魔法子彈

在撰寫本文時，並不存在一種具有魔力的卷積架構，可以完全適用於所有

圖片模型化問題。我們建議可以先從一些已知的成功架構開始進行嘗試，

例如 LeNet、VGGNet、Inception

2

或 AlexNet，試著把它套用到你想要解

決的問題中。你可以把已知的架構當成一個「好的開始」，試著調整各層

的配置與超參數，做為嘗試的起點。

最後我們的輸出層，則會依循第 6 章所呈現的模式。

設置卷積層

我們必須要設置卷積層的空間排列，然後選擇過濾器的數量。

在卷積層中設定超參數時，就必須決定輸出立方體中有多少個神經元，以及神經元排列

的方式。這裡就是一些關鍵的超參數：

• 過濾器大小（filter size）

• 步幅（stride）

• 填充（padding）

舉例來說，如果我們想要構建出帶有一些 5 × 5 過濾器的一個卷積層，程式碼看起來很

可能就類似下面這樣：

ConvolutionLayer convLayer = new ConvolutionLayer.Builder()

.kernelSize(5,5).stride(1,1).padding(2,2)

.name("first_layer")

.nOut(out)

.biasInit(bias)

.build();

在這個範例中，我們可以看到過濾器大小（

.kernelSize

）是 5 × 5，而且我們採用（1,1）

的步幅以及（2,2）的填充，這裡全都是採用整數的參數。我們使用

.name() ...