影象進行卷積的時候，因為每乙個卷積核中權值都是共享的，因此無論輸入影象的尺寸是多大的都可以都是按照步長滑動做卷積，只不過都是經過卷積運算，不同大小的輸入提取出的卷積特徵的大小也是不同的。
但是, 全連線層的乙個神經元對應乙個輸入。換句話說，全連線層要求固定的輸入維度。而不同大小的影象，卷積模組（卷積+非線性啟用+池化）輸出的特徵對映維度是不一樣的。因此，從這個意義上說，因為有全連線層存在，決定了輸入的影象的大小必須是固定的。
當我們去掉全連線層時, 輸入就可以是任意大小了.
關於神經網路輸入資料的預處理
有時候神經網路最後的擬合效果不好，可能不是網路結構的問題，而是沒有對原資料進行預處理。資料預處理對神經網路的效能影響很大。資料分為兩種 離散和連續。離散的資料型別有星期 性別 0,1 連續的資料型別有諸如年齡 身高等。1.離散的資料一般用one hot來預處理。例如一年有四季，這四季可以分別用0,1...
7 神經網路是如何進行學習的？
我先把前面的總結一下，總結才能進步 神經網路進行 的步驟 1 將以特徵向量的形式輸入到神經網路中 2 神經網路通過一種演算法 演算法 來對輸入的資料進行處理，給出 結果。3 把 結果跟事先給出的答案進行對照，判斷 的是否準確。通過損失函式來評判 如果 的不準確，就要進行修正，修正的過程就是改進學習的...
輸入進神經網路前的文字處理
import jieba.posseg import torch import gensim sent 這就類似於人類的視覺注意力機制，通過掃瞄全域性影象，獲取需要重點關注的目標區域，而後對這一區域投入更多的注意力資源，獲取更多與目標有關的細節資訊，而忽視其他無關資訊。通過這種機制可以利用有限的注意...