параметры CNN увеличиваются с входным измерением? будет ли сверточная нейронная сеть go проходить через 3 измерения? и сделает ли он 128 фильтров из 3-х измерений? а параметры увеличатся?
Пример:
input= tf.keras.Input(shape=(1024, 3), name='INPUT')
x = tf.keras.layers.Conv1D(128, 65)(input)
Я обучил модель с (1024,1) в качестве ввода. Где 1024 - длина моего массива, а 1 - мое измерение. Позже я использовал 2 вектора и 3 вектора в качестве входных данных. (1024,2) и (1024,3). У меня были лучшие результаты с входными векторами 2 и 3, поэтому я предположил, что существует корреляция между входными векторами и, следовательно, результаты лучше. Теперь я думаю, если это не имеет ничего общего с входными векторами и, возможно, с размером сети. может ли быть так, что в сети было больше карт характеристик и, следовательно, результат с увеличением входных данных был лучше? И, возможно, сеть также даст лучшие результаты с тем же вектором, что и реплицированный ввод, вместо использования разных векторов?