11｜深度学习（上）：用CNN带你认识深度学习

作者回复: 哇，就四这个原因我显示出来的图片里红花都泛着一种神秘蓝光！！(x_x) 谢谢分享~

作者回复: 好的，非常感谢！我这儿马上调整一下！

作者回复: 个主要的考虑因素： 问题的性质：对于不同类型的问题，可能需要使用不同的超参数。例如，对于图像分类问题，经常使用的卷积窗口大小是(3,3)或(5,5)，这是因为较小的卷积窗口可以捕捉到图像的局部特征。对于文本分类问题，我们可能需要使用更大的窗口大小，因为在文本中，有意义的特征可能需要考虑更多的上下文信息。 经验：很多超参数的选择都是基于经验的。例如，在很多成功的神经网络结构中，例如ResNet，VGG等，我们可以看到一些常见的超参数选择，如卷积窗口大小为(3,3)，池化窗口大小为(2,2)，这些都是被验证过的有效的超参数选择，因此在许多新的网络结构中，我们也会采用这些超参数。 计算资源：计算资源也是选择超参数的一个重要因素。一般来说，更大的网络（有更多的层，更多的神经元，更大的滤波器等）可能会有更好的性能，但也需要更多的计算资源（时间和内存）。因此，我们需要在性能和计算资源之间找到一个平衡。 调优：除了上述的因素外，调优也是一个重要的环节。一般来说，我们会设定一组超参数的候选值，然后通过交叉验证等方法，来找到最优的超参数组合。这个过程可能会比较耗时，但通常可以得到更好的结果。

作者回复: 好嘞，找到GPU就好。

作者回复: 界面有些变化，找到就好

作者回复: 神经网络就是很多很多的线性层，加上很多很多的非线性激活，形成非常非常复杂的函数，里面有很多很多的参数。反正训练之后能用就行了。Open AI的科学家也不知ChatGPT里面参数到底长啥样。 文本分类BERT了解一下。

作者回复: 也许吧，神经网络看多了就那么回事。看来看去很简单，可能现在还没看熟。

作者回复: 有，加我微信jackyhuang79，我拉你入群学习

作者回复: Onehot编码生成时，字段名会带有类型的名称作为后缀。 对于图片模型，一般标签会以字典的形式出现，例如： labels_map = { 0: "T-Shirt", 1: "Trouser", 2: "Pullover", 3: "Dress", 4: "Coat", 5: "Sandal", 6: "Shirt", 7: "Sneaker", 8: "Bag", 9: "Ankle Boot", } 或者在数据集的文件夹中说明。 这是构建图片数据集的人需要做的工作，而我们也需要把这个信息读入程序，形成字典，以对应编码和类别。

作者回复: 应该是可以注册呀，可以在群里讨论一下，看看其它同学有无同样问题。