如何用c 在mnist上實現一個簡單的卷積神經網絡，有哪些參考資料？在支持向量機方面，libsvm絕對是首選庫，應該是應用最廣泛的機器學習庫。讓我們主要推薦一些GitHub的深度學習項目！1.1.1

如何用c 在mnist上實現一個簡單的卷積神經網絡，有哪些參考資料？

在支持向量機方面，libsvm絕對是首選庫，應該是應用最廣泛的機器學習庫。讓我們主要推薦一些GitHub的深度學習項目！1.1.1網絡-恒星：2200卷積實現了神經網絡，可用于分類、回歸、強化學習等。2.深度學習工具箱-星級：1000實施中最熱門的庫存，包括CNN、DBN、SAE、CAE等主流機型。3.深度學習（yusugomo）-星星：800深度學習網絡是用Python、C/C、Java和scala五種語言實現的。實現模型包括DBN/cdbn/RBM/CRBM/DA/SDA/LR。4.神經網絡和深度學習-星星：500這個是同名書籍的匹配代碼，語言為python。5.rbm-mnist-星星：200這個是Hinton matlab的C重寫版代碼。實現了拉斯穆森共軛梯度算法。

如何理解卷積神經網絡里卷積過濾器的深度問題？

我們通常看到的卷積濾波器原理圖是這樣的：

這實際上是卷積濾波器的“展平”或“展平”。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該與輸入數據的深度一致。

全卷積神經網絡中的crop層有什么用處，以及是如何實現的？

有關相關說明，請參閱代碼Cafe/SRC/Cafe/layers/crop圖層.cpp和cafe/include/cafe/layers/cropu圖層.hpp主要原因是在全卷積時，pad被加到原始圖像中，比原始圖像大。最后，切下墊子。

cnn卷積神經網絡中的卷積核怎么確定？

從模型中學習卷積參數，手動確定卷積核的大小和數目。二維卷積核的大小通常是奇數，例如1*1、3*3、5*5、7*7。卷積核數是網絡中的信道數。常用的是128 256 512，需要根據具體任務來確定。另外，最近，神經網絡自動搜索結構非常流行。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據集的最佳網絡結構

我們必須仔細考慮。我們很擔心，如果蘋果利用你的面子貸款幾億，你會很痛苦。所以如果我們不能用蘋果，就必須用華為。如果我們愛我們的國家，我們就必須使用華為。華為將為我們增添智慧