Na podstawie tego, czego się nauczyłem, używamy wielu filtrów w warstwie konwekcyjnej CNN, aby uczyć się różnych detektorów funkcji. Ale skoro filtry te są stosowane w podobny sposób (tzn. Przesuwane i mnożone do obszarów danych wejściowych), czy nie nauczyłyby się po prostu tych samych parametrów podczas treningu? Stąd użycie wielu filtrów byłoby zbędne?
Miałem to samo zamieszanie w zrozumieniu tego faktu. Zamieszanie powstaje dla początkujących, ponieważ w książce nie ma wzmianki, że filtry są różne.
ponieważ te filtry są stosowane podobnie
Filtry są stosowane podobnie, ale wartość komórki w matrycy różni się od siebie filtrami. Wyodrębniają więc różne funkcje z obrazu.
czy nie nauczyliby się tych samych parametrów podczas treningu?
Nie, nie uczą się tego samego parametru, ponieważ filtry są teraz inne. Dlatego użycie wielu filtrów nie jest zbędne.
Znalazłem odpowiedź na to pytanie: https://www.quora.com/Why-does-each-filter-learn-different-features-in-a-convolutional-neural-network
Mówi tutaj: „... algorytm (optymalizacja) stwierdza, że strata nie zmniejsza się, jeśli dwa filtry mają podobne wagi i tendencje, więc ostatecznie zmieni jeden z filtrów (wagi i tendencje), aby w ten sposób zmniejszyć straty uczenie się nowej funkcji ”.
Dziękuję za odpowiedzi. Doceniam to :)
źródło