找回密码
 立即注册
发表于 2017-8-24 19:25:30
10.  如何修改训练程序的参数使其优化
在页面找到exercises/cnnDice/runTraining.py程序在红框内尝试更改参数
例如
--learning_rate 0.03
--decay_rate 0.75
--num_epochs 100
--decay_steps 10000

  Dice metric 可以达到 0.862

本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
使用道具 举报 回复 支持 反对
发表于 2017-8-24 19:30:58
11.    如何验证训练的精度
·        找到exercises/cnnDice/runTraining.py程序
·        点击运行


本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
使用道具 举报 回复 支持 反对
发表于 2017-8-24 19:31:28
12.        TensorFlow卷积函数
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, Name=None)
#输入:
•         input: 一个张量。数据类型必须是float32或者float64。记住这个张量为四维[batch, in_height, in_width, in_channels],batch应该是指每次feed给网络的数据的个数,和mini-batch gradient descend有关;中间是长宽两项;最后是通道,灰度为1,RGB等为3

•        filter: 输入的卷积核,也是四维[filter_height,filter_width,in_channels,channel_multiplier],前两维是尺寸比如3x3,2x2(注意是可以2x2的,这个涉及到非对称卷积核),第三维等于 in_channels,第四维是输出通道数,也就是要输出的通道数,也就是要使用的卷积核数。
•        strides: 一个长度是4的一维整数类型的数组,一般设为[1,1,1,1],注意第一个和第四个"1”固定不变(试过改结果不变,并且没有意义)中间的两个1,就是横向步长和纵向步长,意思是卷积核不一定是一步一步的滑动的。
•        padding: 有两个值‘SAME’和'VALID',前者使得卷积后图像尺寸不变;后者尺寸变化
•        use_cudnn_on_gpu: 在gpu上处理,tensorflow-gpu都默认设为了True
•        data_format=None, Name=None 这两项请博友们自己查查,应该问题不大,Name应该与TensorFlow的图结构以及Session(会话)有关系;data_format的默认值应该为'NHWC',及张量维度的顺序应该是batch个数,高度,宽度和通道数
使用道具 举报 回复 支持 反对
发表于 2017-8-24 19:32:08
13.        Tensorflow反卷积函数
tf.nn.conv2d_transpose(value, filter, output_shape, strides, padding='SAME', name=None)
这是tensorflow里实现反卷积的函数,value是上一层的feature map,filter是卷积核[kernel_size, kernel_size, output_channel, input_channel ],output_shape定义输出的尺寸[batch_size, height, width, channel],padding是边界打补丁的算法。
这里需要特别说明的是,output_shape和strides里的参数是相互耦合的,我们可以根据输入和输出确定strides参数(正整数),也可以根据输入和strides确定输出尺寸。
使用道具 举报 回复 支持 反对
发表于 2017-8-24 19:32:28
14.        如何理解全卷积网络(full convolution)
简单来说就是没有全连接层的CNN,主要好处是支持不同大小的输入,支持全图end-to-end的训练。
经典论文是CVPR 2015的Fully convolutional networks for semantic segmentation
https://computing.ece.vt.edu/~f15ece6504/slides/L13_FCN.pdf

使用道具 举报 回复 支持 反对
发表于 2017-8-24 19:32:50
15.        如何理解反卷积网络(deconvolution networks)
Deconvolution network是和convolution network(简称CNN)对应的,在CNN中,是由input image卷积feature filter得到feature map而在devonvolution network中,是由feature map卷积feature filter得到input image.。
经典论文Deconvolutional Networks
使用道具 举报 回复 支持 反对
12
发新帖
您需要登录后才可以回帖 登录 | 立即注册

zzczczxczxczx