文章/答案/技术大牛

发布

问组合2神经网络
EN

Data Science用户

提问于 2018-10-03 09:01:46

回答 2查看 227关注 0票数 6

2图像作为输入，x1和x2，并尝试使用卷积作为相似性度量。其思想是，学习的权重代替了传统的相似性度量(互相关，NN，.)。定义我的前向功能如下：

def forward(self,x1,x2):
    out_conv1a = self.conv1(x1)
    out_conv2a = self.conv2(out_conv1a)
    out_conv3a = self.conv3(out_conv2a)

    out_conv1b = self.conv1(x2)
    out_conv2b = self.conv2(out_conv1b)
    out_conv3b = self.conv3(out_conv2b)

下面是相似性度量：

out_cat = torch.cat([out_conv3a, out_conv3b],dim=1)
futher_conv = nn.Conv2d(out_cat)

问题如下：

与连接输入的2d卷积相比，在google 纸中，深度/可分卷积是否会产生任何优势。因为卷积可以是一种相似性度量，互相关和卷积是非常相似的。
我的理解是，groups=2选项在conv2d中将提供两个单独的输入来训练权重，在这种情况下，以前的每个网络权重。这些后来是如何结合起来的？

python

neural-network

image-classification

convolution

pytorch

回答 2

Data Science用户

回答已采纳

发布于 2019-06-12 06:57:41

该文件明确规定了以下几行：

我们的工作是从Xception和MobileNets开始的一个重要趋势线上的另一个点，这表明在任何卷积模型中，无论是一维还是二维数据，都可以用深度可分卷积代替卷积，并获得一个同时运行更便宜、更小、性能更好的模型。

卷积神经网络形成一个可微特征学习模块链，其结构为一组离散单元，每个单元被训练来学习特定的特征。如果经过训练和重复使用，这些数据可以扩展到余弦相似性发现。按深度可分卷积定义单个特征路径，因此在这种情况下，可以很容易地将输出连在一起。

票数 1

Data Science用户

发布于 2019-01-11 15:15:48

离散可分卷积和1x1卷积是方便的2d卷积的一种替代。它们是在https://arxiv.org/abs/1704.04861中引入的，目的是减少计算量。深度卷积和点卷积的结合通常与普通卷积的表示方式基本相同。
深度可分conv是分组conv的一个极端情况，其中num_groups=num_input_channels。将组数设置为2意味着将输入分割成跨通道的两个输入，并为每个切片输入学习两个不同的过滤器。这里是一个很好的教程。通过叠加每个组的输出来组合输出。通常，后面跟着1x1conv来混合组之间的数据流。

票数 1

页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://datascience.stackexchange.com/questions/39095

复制

相似问题

问组合2神经网络
EN

问题如下：

回答 2

Data Science用户

Data Science用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问组合2神经网络EN

问题如下：

回答 2

Data Science用户

Data Science用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问组合2神经网络
EN