背景
我希望使用 CNN 在 tensorflow 中实现通用图像处理检测系统,如 paper 中所述。在普通的 CNN 中,过滤器值是在随机初始化后通过反向传播学习的。
问题
在此实现中,每次迭代后,第一个卷积层的滤波器值将根据给定的约束重新初始化(滤波器中心的值为-1,并对剩余滤波器值进行归一化。)。其余层将按照普通情况进行训练。在 tensorflow 中,训练步骤也会自动训练过滤器值。在使用 tensorflow 进行每次训练迭代后,是否可以有效地将给定的约束应用于第一层过滤器?
最佳答案
是的。
对于大多数训练方法,例如tf.train.AdamOptimizer.minimize
,它都有一个参数var_list。默认情况下它将更新所有张量。例如,如果您编写 tf.train.AdamOptimizer(1e-4).minimize(cost, var_list=[W_fc2, b_fc2])
:它将更新 W_fc2 和 b_fc2。
关于machine-learning - 约束下的 Tensorflow CNN 滤波器,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42914913/