cnn卷積神經(jīng)網(wǎng)絡(luò)中的卷積核怎么確定？從模型中學習卷積參數(shù)，手動確定卷積核的大小和數(shù)目。二維卷積核的大小通常是奇數(shù)，例如1*1、3*3、5*5、7*7。卷積核數(shù)是網(wǎng)絡(luò)中的信道數(shù)。常用的是128 256

cnn卷積神經(jīng)網(wǎng)絡(luò)中的卷積核怎么確定？

從模型中學習卷積參數(shù)，手動確定卷積核的大小和數(shù)目。二維卷積核的大小通常是奇數(shù)，例如1*1、3*3、5*5、7*7。卷積核數(shù)是網(wǎng)絡(luò)中的信道數(shù)。常用的是128 256 512，需要根據(jù)具體任務(wù)來確定。

另外，最近神經(jīng)網(wǎng)絡(luò)自動搜索結(jié)構(gòu)非常流行。最著名的是Google的nasnet，它使用一些啟發(fā)式遍歷來尋找特定數(shù)據(jù)集的最佳網(wǎng)絡(luò)結(jié)構(gòu)

我們通?？吹降木矸e濾波器圖是這樣的：

這實際上是“展平”或“展平”卷積濾波器。例如，上圖中的粉紅色卷積濾波器是3x3x3，即長3，寬3，深3。然而，在圖中，它是在兩個維度中繪制的-深度被省略。

.由于卷積濾波器的深度與輸入圖像的深度相同，所以原理圖中沒有繪制深度。如果同時繪制深度，效果如下：

（圖片來源：mlnotebook）

如上所述，卷積濾波器的深度與輸入圖像的深度相同，即3。

順便說一下，輸入圖像深度是3，因為輸入圖像是彩色圖像，深度是3，分別是R、G和b值。

（圖片來源：mlnotebook）

總之，卷積濾波器的深度應(yīng)該與輸入數(shù)據(jù)的深度一致。

如何理解卷積神經(jīng)網(wǎng)絡(luò)里卷積過濾器的深度問題？

主要有三點：

還有像最大池這樣的非線性變換，可以提高網(wǎng)絡(luò)功能的性能。

卷積神經(jīng)網(wǎng)絡(luò)（cnn）中為什么要有池化層？

在基本的CNN網(wǎng)絡(luò)中，全連接層的作用是將圖像特征圖中的特征通過多個卷積層和池化層進行融合，得到圖像特征的高層含義，然后用它進行圖像分類。

在CNN網(wǎng)絡(luò)中，完全連接層將卷積層生成的特征映射映射到具有固定長度的特征向量（通常是輸入圖像數(shù)據(jù)集中的圖像類別數(shù)）。特征向量包含輸入圖像中所有特征的組合信息。該特征向量雖然丟失了圖像的位置信息，但保留了圖像中最具特征的特征，完成了圖像分類的任務(wù)。從圖像分類任務(wù)的角度來看，計算機只需確定圖像的內(nèi)容，計算輸入圖像的具體類別值（類別概率），輸出最有可能的類別即可完成分類任務(wù)。