非平方卷积核大小

Question

卷积神经网络通常使用squared_sized核，如(3,3)，(5,5)等。

使用非平方内核大小的缺点和优点是什么？指(3,7)，(3,9)等。

Answer 1

我想不出有什么坏处。这真的取决于你想要什么和你的数据是什么。

当使用平方大小内核时，使用该内核将该区域转换为conv输出中的一个点。因此，使用一个正方形，输出中的每个点都是从输入点的一组加权邻域(与水平点相同的垂直邻居数)中得到的。

但是，如果使用的是非方形内核大小，假设内核大小为3×9，则使用比垂直输入点多3倍的水平(反之亦然)来映射每个输入点。根据数据的性质，这可能简化您的培训过程，并提高准确性。(如果你试图检测到非常大的、瘦削的鳄鱼example^_^)。毕竟，这些都是我的观点，不是百分之百的科学事实。

Answer 2

平方大小的内核背后的原因是，一般情况下，您不知道学习的特性会有什么方向。所以你不想限制网络。滤波器的最优形状是一个圆，因此它可以在给定半径的某个区域内学习任意方向的特征。因为这并不是真正可行的，因为实现的问题，正方形，它的次之最好的形状。

如果您知道，例如，所有学到的特性的比率为1x3 (高宽)，则可以使用内核大小(如2x6 )。但你就是不知道。即使您说要检测/分类的对象看起来是这样的，它也不会转化为网络将学会识别它的特性。整体的优势是，你可以让网络学习的特点，海事组织，你应该尽量限制这一点。

但我不想让你气馁。深度学习是一种尝试和尝试的过程。所以试一试，自己看看。也许对于某种问题，它实际上表现得更好，谁知道呢。

Answer 3

您可以使用您喜欢的任何大小的内核。内核不一定是正方形，特别是当您想要更多地关注特定方向上的过程时。实际上，图像中沿特定轴移动的平均值是一个矩形形状的简单滤波器。