如何在神经网络的Xavier初始化中计算扇入和扇出?

变化我已经发现神经网络中权重的Xavier初始化,都提到了一个扇入和一个扇出;你能否告诉我们如何计算这两个参数?具体用于这两个示例:如何在神经网络的Xavier初始化中计算扇入和扇出?

1)初始化卷积层的权重,使用形状为[5,5,3,6](宽度,高度,输入深度,输出深度)的滤波器; 2)用形状[400,120](即,将400个输入变量映射到120个输出变量上)初始化完全连接层的权重。

谢谢!

回答:

我理解的是在进出卷积层的风扇被定义为:

fan_in = n_feature_maps_in * receptive_field_height * receptive_field_width 

fan_out = n_feature_maps_out * receptive_field_height * receptive_field_width/max_pool_area

其中receptive_field_heightreceptive_field_width对应于所考虑和max_pool_area卷积层的高度的乘积和卷积层后面的最大池的宽度。

如果我错了,请纠正我。

来源:deeplearning.net

以上是 如何在神经网络的Xavier初始化中计算扇入和扇出? 的全部内容, 来源链接: utcz.com/qa/263318.html

回到顶部