• 所有问题

    • 关于卷积神经网络的训练样本及测试样本

    有一个问题困扰我很久了，关于卷积神经网络的训练样本及测试样本。训练的目的是为了网络能学习到其特征，测试是为了检测其识别的正确性。测试样本中放入了一些干扰项，就算是卷积神经网络习得了特征，它怎么来判别自己识别的是正确的还是错误的?那么事怎么得到其识别的正确率的？

    举报该问题
    推荐答案   2016-06-15
    注意：训练样本和测试样本是不一样的。
    判断正确和错误，主要是看能不能通过训练分析机以及是否在误差内。正确率的得出：对测试样本进行测试，看看识别出来的有哪些，除以测试样本的总数即可。追问

    比如识别猫脸，那如果在测试样本中加入无猫脸的图，那识别率是不是就会下降？

    追答

    那就识别不出来，识别率自然会下降。

    追问

    能不能利用卷积神经网络只输入一幅图像，显示出它各层的特征图

    温馨提示：答案为网友推荐，仅供参考
    相似回答
    CNN卷积神经网络 DeepLearnToolbox问题答：我没用过CNN，我只能就matlab神经网络普遍存在的问题回答你，1，同样的输入训练样本和测试样本得到不一样的结果，可能是因为权值初始化是随机的，每个随机的初始值在训练的时候，误差只能收敛到那片区域的局部最小值，而不能保证全局最小值。就像你被随机传送到一片起伏不定的山区，你沿着下山路径走到地...
    利用卷积神经网络如何实现图片的分类答：数据准备：首先，你需要一组标记的图像数据集。这些图像需要被分为训练集和测试集。同时，你需要为每个类别提供一些样本图像。模型构建：使用CNN模型构建器（如Keras、PyTorch等）创建一个CNN模型。通常，你会选择一个卷积层（Conv）和池化层（Pool）的组合，以及全连接层（Dense）来构成你的模型架构。在C...
    卷积神经网络 测试图像和 训练图像 大小要一样吗答：这取决于你的卷积神经网络中是否存在全连接层，因为不同于全连接层，卷积神经网络中的参数是卷积核的权重，与输入大小无关。如果是全卷积网络，那么对于输入的图像分辨率要求不高，可以大小随意，不过多少应该会有影响。不过如果其中含有全连接层就需要保证输入图像大小一致，可以通过线性插值的方式进行放缩。
    CNN 卷秩神经网络快速入门案例 1-Keras+cifar10 数据集答：数据加载与预处理首先，通过cifar10.load_data()命令，我们轻松获取训练集与测试集，对图像像素进行归一化，确保它们处于0-1的区间，并进行独热编码，将类别标签转化为二进制形式。设计简约而强大的CNN接下来，我们设计一个基础的卷积神经网络架构，它融合了卷积层的特征提取与池化层的降维，以及全连接层...
    【深度学习】第4.6节VGG网络模型答：构建13层的VGGNet，输入随机数据，输出形状，一触即发。接着，我们将目光投向CIFAR10数据集，它包含50000个训练样本和10000个测试样本，每个图像都拥有3个通道，涵盖10个类别。数据的可视化让我们更直观地感受VGG在真实任务中的威力（图4-38）。数据迭代器的构建，为模型的训练和评估提供了关键支持。
    神经网络:卷积神经网络(CNN)答：1)全连接神经网络:每个单元和相邻层上的所有单元相连 2)局部连接网络:每个单元只和相邻层上的部分单元相连 神经网络的学习 根据学习方法分: 感知器:有监督的学习方法,训练样本的类别是已知的,并在学习的过程中指导模型的训练 认知器:无监督的学习方法,训练样本类别未知,各单元通过竞争学习。 根据学习时间分: 离线...
    大家正在搜
    卷积神经网络的训练卷积神经网络的训练过程卷积神经网络训练的参数是什么卷积神经网络训练自己的文件卷积神经网络如何训练卷积神经网络训练技巧卷积神经网络训练原理如何用卷积神经网络训练数据神经网络训练样本
    相关问题
    数据少合适用卷积神经网络进行训练测试吗
    卷积神经网络的学习率怎么计算出来的
    怎么评判卷积神经网络训练得差不多了
    卷积神经网络具体怎样训练
    卷积神经网络 测试图像和 训练图像 大小要一样吗
    卷积神经网络训练精度高,测试精度很低的原因
    卷积神经网络学习 输入不是严格尺寸 变形后能学习吗
    如何利用卷积神经网络提取图像特征