计算机视觉神经网络中二次特征的计算

Question

最近，我在Youtube上观看了一些教程，供吴博士深入学习。链接在这里，Youtube视频

在TensorFlow的教程中，卷积神经网络中有一个特征数的概念。

我不太明白为什么conv layer1或layer2中的特性是32或64？

然后我来到了视频，还有二次特征的概念。然而，它被计算为300万。但它是如何计算出来的呢？

这两个特征在概念上有联系吗？

Answer 1

很抱歉这么晚才做出反应。我刚看了你的留言。

老师正在使用\frac{x^2}2。因此，\frac{2500\times 2500}2，这将得到大约3数百万的特性。

BR

Answer 2

这意味着：

1. 50x50像素图像意味着图像中的2500个单位像素。那么每个单元都是一个特征，即，

x_1=\text{pixel}_1，x_2 = \text{pixel}_2，\cdots，x_{2500} = \text{pixel}_{2500}。二次函数表示x_ix_j的所有可能组合，例如x_1^2、\ x_1x_2、\ x_1x_3、\ \cdots、\ x_1x_{2500}等。这将给你一个比只考虑一个线性函数更好的结果.，只要得到所有可能的组合并计算它们，你就可以绕过\frac{n^2}{2} = \frac{2500\ \times\ 2500}{2} \approx 3M了