卷积神经网络的图像预处理
Images pre-processing for convolutional neural network
我有 *.png 个文件，我想在卷积神经网络的上下文中将图像转换为单热编码。
- 我的图片是
224x224。我搜索了许多在线参考资料，但我不太清楚如何将图像转换为 one-hot 编码。我是逐行追加还是逐列追加？一种方法比另一种更好吗？
- 一旦我创建了 one-hot 编码向量，就会应用归一化操作，例如将向量的每个值除以
256（RGB 的最大值）。这样可以防止数字爆炸并导致溢出。但是，我还看到从该值中减去 0.5。为什么是这样？这有效地将值的范围置于 [-0.5, 0.5] 之间。然而，在大多数卷积网络中，应用了一个 ReLU 层，无论如何都会将所有这些值变为零或更大。所以，我对为什么这样做感到困惑。
- 最后，一旦我将图像转换为单热编码向量，我应该在哪里添加偏置项？我是将它添加到 one-hot 编码向量的前面还是后面，这个值到底应该是什么？给定向量的归一化，我通常会看到偏置项是添加到向量前面的
1。但是，为什么我们选择1，为什么它通常附加在前面？
- 我想，我在 stats stackexchange 上回答了你的部分问题 :) 我猜你混淆了，因为你正在考虑将图像转换为 onehot 编码表示。这不是它的工作原理。一个热编码只是关于标签，你不需要转换图像（来自我上面的评论）
- 同样，当您对单热（稍微阅读一下）感到困惑时，您不会处理一个热编码标签。您处理图像（在本例中为预处理）。规范化可以有多种类型。对于深度学习，通常的方法是进行归一化，使均值为 0，标准差为 1。我没有尝试使用 (-0.5, 0.5) 进行归一化，而是在 ReLU 上回答你的问题。 ReLU 是为了引入非线性。如果您阅读更多有关深度学习（尤其是反向传播）的内容会更好。
- 又来了！你混淆了深度学习。偏置项是在训练过程中加入的。它是过程的一部分。由于您在问这个问题，因此您需要阅读神经网络。
这个简单的教程播放列表对我理解深度学习帮助很大，希望对你也有帮助！看看Neural network tutorial
祝你学习顺利:)
我有 *.png 个文件，我想在卷积神经网络的上下文中将图像转换为单热编码。
- 我的图片是
224x224。我搜索了许多在线参考资料，但我不太清楚如何将图像转换为 one-hot 编码。我是逐行追加还是逐列追加？一种方法比另一种更好吗？ - 一旦我创建了 one-hot 编码向量，就会应用归一化操作，例如将向量的每个值除以
256（RGB 的最大值）。这样可以防止数字爆炸并导致溢出。但是，我还看到从该值中减去0.5。为什么是这样？这有效地将值的范围置于[-0.5, 0.5]之间。然而，在大多数卷积网络中，应用了一个ReLU层，无论如何都会将所有这些值变为零或更大。所以，我对为什么这样做感到困惑。 - 最后，一旦我将图像转换为单热编码向量，我应该在哪里添加偏置项？我是将它添加到 one-hot 编码向量的前面还是后面，这个值到底应该是什么？给定向量的归一化，我通常会看到偏置项是添加到向量前面的
1。但是，为什么我们选择1，为什么它通常附加在前面？
- 我想，我在 stats stackexchange 上回答了你的部分问题 :) 我猜你混淆了，因为你正在考虑将图像转换为 onehot 编码表示。这不是它的工作原理。一个热编码只是关于标签，你不需要转换图像（来自我上面的评论）
- 同样，当您对单热（稍微阅读一下）感到困惑时，您不会处理一个热编码标签。您处理图像（在本例中为预处理）。规范化可以有多种类型。对于深度学习，通常的方法是进行归一化，使均值为 0，标准差为 1。我没有尝试使用 (-0.5, 0.5) 进行归一化，而是在 ReLU 上回答你的问题。 ReLU 是为了引入非线性。如果您阅读更多有关深度学习（尤其是反向传播）的内容会更好。
- 又来了！你混淆了深度学习。偏置项是在训练过程中加入的。它是过程的一部分。由于您在问这个问题，因此您需要阅读神经网络。
这个简单的教程播放列表对我理解深度学习帮助很大，希望对你也有帮助！看看Neural network tutorial
祝你学习顺利:)