ane*_*eal 6 machine-learning neural-network conv-neural-network
我在 Conv Nets 上做了很多阅读，甚至还使用了 Julia 的 Mocha.jl 包（它看起来很像 Caffe，但你可以在 Julia REPL 中使用它）。
在卷积网络中，卷积层之后是“特征图”层。我想知道的是，如何确定一个网络需要多少个特征图才能解决某个特定问题？这有什么科学依据还是更艺术？我可以看到，如果您尝试进行分类，至少最后一层应该具有特征映射数 == 类数（除非您在网络顶部有一个完全连接的 MLP，我想）。
就我而言，我不是在做分类，而是试图为图像中的每个像素提供一个值（我想这可以被视为类从 0 到 255 的分类）。
编辑：正如评论中所指出的，我正在尝试解决输出范围为 0 到 255（在这种情况下为灰度）的回归问题。尽管如此，问题仍然存在：如何确定在任何给定的卷积层上使用多少个特征图？这对于回归问题和分类问题有什么不同吗？
小智 5
基本上，就像任何其他超参数一样 - 通过评估单独开发集的结果并找到最有效的数字。还值得检查处理类似问题的出版物，并找出他们使用的特征图数量。