为什么卷积神经网络核大小常被选为方阵
Why Convolutional NN kernel size is often selected as a square matrix
给定形状 (f1, f2, depth) 的过滤器，如果 f1 != f2 有什么含义？
通常选择方形滤镜只是因为没有偏好可以找到图案的方向。例如，它可以是水平线或垂直线，两者都可以是图像中的重要特征，如果它们很重要，网络应该捕获其中的任何一个。换句话说，您可能希望您的网络 对称 .
非对称滤波器在 Inception network. The idea is that n x n filter has the same receptive field as a sequence of 1 x n and n x 1 convolutions (called effective receptive field, see CS231n tutorial 中成功使用后，在过去几年变得更加流行），但后者需要较少的浮点运算并存储较少的参数。该架构在两个方向上仍然是对称的（垂直模式可以像水平模式一样容易发现），但这个技巧使它更有效率。
这是来自 Inception v2 的初始模块图片：
在较小的应用程序中，这种优化并不重要，没有理由采用如此复杂的架构并仅使用 n x n 个过滤器。
给定形状 (f1, f2, depth) 的过滤器，如果 f1 != f2 有什么含义？
通常选择方形滤镜只是因为没有偏好可以找到图案的方向。例如，它可以是水平线或垂直线，两者都可以是图像中的重要特征，如果它们很重要，网络应该捕获其中的任何一个。换句话说，您可能希望您的网络 对称 .
非对称滤波器在 Inception network. The idea is that n x n filter has the same receptive field as a sequence of 1 x n and n x 1 convolutions (called effective receptive field, see CS231n tutorial 中成功使用后，在过去几年变得更加流行），但后者需要较少的浮点运算并存储较少的参数。该架构在两个方向上仍然是对称的（垂直模式可以像水平模式一样容易发现），但这个技巧使它更有效率。
这是来自 Inception v2 的初始模块图片：
在较小的应用程序中，这种优化并不重要，没有理由采用如此复杂的架构并仅使用 n x n 个过滤器。