cnn卷积神经网络详解 cnn卷积神经网络中的卷积核怎么确定？

cnn卷积神经网络中的卷积核怎么确定？

从模型中学习卷积参数，手动确定卷积核的大小和数目。二维卷积核的大小通常是奇数，例如1*1、3*3、5*5、7*7。卷积核数是网络中的信道数。常用的是128 256 512，需要根据具体任务来确定。

另外，最近神经网络自动搜索结构非常流行。最著名的是Google的nasnet，它使用一些启发式遍历来寻找特定数据集的最佳网络结构

我们通常看到的卷积滤波器图是这样的：

这实际上是“展平”或“展平”卷积滤波器。例如，上图中的粉红色卷积滤波器是3x3x3，即长3，宽3，深3。然而，在图中，它是在两个维度中绘制的-深度被省略。

.由于卷积滤波器的深度与输入图像的深度相同，所以原理图中没有绘制深度。如果同时绘制深度，效果如下：

（图片来源：mlnotebook）

如上所述，卷积滤波器的深度与输入图像的深度相同，即3。

顺便说一下，输入图像深度是3，因为输入图像是彩色图像，深度是3，分别是R、G和b值。

（图片来源：mlnotebook）

总之，卷积滤波器的深度应该与输入数据的深度一致。

如何理解卷积神经网络里卷积过滤器的深度问题？

主要有三点：

还有像最大池这样的非线性变换，可以提高网络功能的性能。

卷积神经网络（cnn）中为什么要有池化层？

卷积神经网络通过用户设计的损失融合（分类往往是交叉的）计算实际标签和预测标签之间的差异，使用梯度反向传播最小化损失，并更新卷积核参数以生成新的预测值。重复此过程，直到培训结束。

cnn卷积神经网络详解 lenet5卷积神经网络 卷积神经网络详解

版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。