Уровень машинного обучения для целевых функций

Question

Я относительно новичок в машинном обучении, и после нескольких дней просмотра интернета о том, как это на самом деле работает, у меня есть несколько вопросов, особенно о том, как настроить некоторые функции.

Насколько я понимаю, сверточный слой может извлекать элементы из входного изображения. Машина ищет лучшее ядро ​​на основе активации и размера ядра e.t.c. И.Е. он изучает лучшее ядро ​​для этого слоя. Затем он выводит функции для следующего слоя, чтобы посмотреть.

Тем не менее, что, если я хочу специально настроить функцию? Например, я знаю, что мои две классификации изображений будут иметь сильно различающуюся среднюю интенсивность пикселей. Как мне сказать CNN искать интенсивность пикселей? И исходя из этого, оптимизировать вес нейрона?

Любая помощь будет высоко ценится, спасибо за ваше время.

РЕДАКТИРОВАТЬ: Оказывается, я был глубоко дезинформирован о машинном обучении. Ответ ниже объясняет это очень хорошо и разобрал мое замешательство.

Answer 1

Вы в основном правы, но я думаю, что ваша терминология немного неверна. Слой conv пытается выучить лучшее ядро, но для набора данных, на котором он обучен . Если у вас есть 2 разных набора данных и один и тот же слой conv, ядра после обучения будут разными, каждое из них «лучше» для данных, на которых оно было обучено.

Теперь вы не можете явно выбирать такие функции. В этом красота нейронных сетей. Вы должны дать NN понять, как он будет представлять функции и знания и какие функции он выберет. Что вы можете сделать, это предварительно обработать набор данных другим способом и / или адаптировать ядро ​​для этой задачи. Итак, если изображение имеет, скажем, более плотные пиксели, вы можете выбрать большее ядро, чтобы оно покрывало одну и ту же область изображения на каждом шаге. Теперь, я не знаю много об интенсивности пикселей, но я уверен, что NN подберет его сам, без вашего конкретного запроса. Это просто способ обработки изображений, прежде чем вводить их в NN. Вы должны всегда стандартизировать (усреднять или нормализовать) данные в обучении для максимальной точности. Взгляните на концепцию нормализации партии