이미지 분류를 위한 신경망에 필요한 신경의 수를 결정하는 것은 작업과 자료의 복잡성을 이해하는 것을 포함합니다. Proper 계산은 모형 성과 및 계산 효율성을 낙관하는 것을 돕습니다.

Neuron Count를 Influencing 하는 요인

신경의 수는 입력 이미지의 크기, 기능의 복잡성, 그리고 원하는 정확도를 포함하여 몇몇 요인에 달려 있습니다. 더 큰 이미지 및 더 복잡한 작업은 전형적으로 더 신경을 요구합니다.

기본 계산 접근

입력 레이어로 시작, 이미지의 픽셀 수와 일치 (예를 들어, 28x28 이미지, 입력 신경 = 784). 출력 층은 클래스의 수에 해당합니다. 숨겨진 레이어의 신경은 실험 또는 허리적 방법을 통해 일반적으로 결정됩니다.

숨겨진 레이어 Neurons를 자극

일반적인 전략은 다음과 같습니다 :

  • 입력 크기의 여러 사용
  • 기하학적 피라미드 규칙 적용
  • 검증을 통해 hyperparameter tuning 수행

예를 들어, 전형적인 숨겨진 층은 128과 512 뉴런 사이가 있으며, 데이터셋 복잡성에 따라 있습니다.

연습 팁

신경의 작은 숫자로 시작하고 점차 증가합니다. 가이드 조정에 대한 검증 정확도를 사용하십시오. 지나치게 큰 네트워크는 과잉으로 이어질 수 있지만 너무 적은 신경은 데이터를 손상시킬 수 있습니다.