cnn卷積神經(jīng)網(wǎng)絡(luò)中的卷積核怎么確定？從模型中學(xué)習(xí)卷積參數(shù)，手動(dòng)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(xué)習(xí)卷積參數(shù)，手動(dòng)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，近年來，神經(jīng)網(wǎng)絡(luò)的自動(dòng)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)。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2。卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史

3。反向誤差傳播

用訓(xùn)練集對(duì)卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行訓(xùn)練時(shí)，最終使卷積神經(jīng)網(wǎng)絡(luò)的前向性更好，計(jì)算損失函數(shù)，然后根據(jù)鏈導(dǎo)數(shù)規(guī)則更新CNN的權(quán)值參數(shù)。這是調(diào)整各層網(wǎng)絡(luò)和卷積核的特征抽取器的參數(shù)（各層的特征和功能不同）。

訓(xùn)練是為了使整個(gè)卷積神經(jīng)網(wǎng)絡(luò)的特征提取效果更好（越來越適合于訓(xùn)練集），所以訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)可以提取訓(xùn)練集的特征。

運(yùn)行測(cè)試集的目的是測(cè)試特征提取器的能力。此時(shí)，通過訓(xùn)練集對(duì)CNN各層的參數(shù)進(jìn)行訓(xùn)練，可以提取出相似訓(xùn)練集的參數(shù)（圖像、聲音、文本）。此時(shí)，我們需要再次運(yùn)行測(cè)試集來測(cè)試CNN的特征提取能力。

數(shù)據(jù)集：機(jī)器學(xué)習(xí)任務(wù)中使用的一組數(shù)據(jù)，每個(gè)數(shù)據(jù)集稱為一個(gè)樣本。反映樣品在某一方面的性能或性質(zhì)的項(xiàng)目或?qū)傩苑Q為特征。

訓(xùn)練集：訓(xùn)練過程中使用的數(shù)據(jù)集，其中每個(gè)訓(xùn)練樣本稱為訓(xùn)練樣本。從數(shù)據(jù)中學(xué)習(xí)模型的過程稱為學(xué)習(xí)（訓(xùn)練）。

測(cè)試集：學(xué)習(xí)模型后，將其用于預(yù)測(cè)的過程稱為測(cè)試，使用的數(shù)據(jù)集稱為測(cè)試集，每個(gè)樣本稱為測(cè)試樣本。

卷積神經(jīng)網(wǎng)絡(luò)作為特征提取器，用訓(xùn)練集訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)可以提取訓(xùn)練集的特征嗎？還是只能提取測(cè)試集的？

卷積核的定義是（寬、高、入）通道、出通道。

一般來說，卷積核的大小是7*7、5*5、3*3、1*1。輸入通道由您自己定義，輸出通道的數(shù)量（即過濾器的數(shù)量）由用戶定義。

在網(wǎng)絡(luò)結(jié)構(gòu)中，我們首先對(duì)卷積核中的值進(jìn)行初始化，然后利用反向傳播算法不斷修正誤差，最后得到最優(yōu)參數(shù)，即最優(yōu)解。

卷積神經(jīng)網(wǎng)絡(luò)中的卷積核，是學(xué)習(xí)得來的還是預(yù)定義好的？

假設(shè)你有一條直線，那么你肯定可以用y=kxb來描述它。

假設(shè)一條二階曲線由y=AXX BX C來描述

假設(shè)您要描述的模型沒有表達(dá)式復(fù)雜?；蛘?，在允許的誤差范圍內(nèi)，您總是可以找到一組參數(shù)，使它們幾乎一致。

以上只是一個(gè)例子。它也是初等數(shù)學(xué)。它有可以理解的特點(diǎn)。卷積是非線性的。這是可以證明的，但這是人類無法理解的。在圖像處理方面，卷積還是可以理解的，但是不建議用理解來指導(dǎo)，因?yàn)檫@是非常痛苦的

一旦確定了keras模型，不修改keras框架的源代碼，什么都不會(huì)改變。唯一的出路是擴(kuò)大GPU。

一般情況下，我們只能嘗試修改模型結(jié)構(gòu)、量化剪枝等方式，自行修改框架源代碼，沒有必要。

通常，為了加快模型的預(yù)測(cè)速度，只需加載一次模型即可。

當(dāng)模型的預(yù)測(cè)時(shí)間過長(zhǎng)時(shí)，通常采用減少卷積核、減少卷積核數(shù)、增加步長(zhǎng)、增加池單元等方法。一些參數(shù)較少的主干也可能被替換。

或者考慮使用移動(dòng)終端分離卷積和空穴卷積。

最后，默認(rèn)情況下，我們的模型由floaf32的精度表示，可以適當(dāng)量化。它以16位、8位甚至2位精度表示。只要模型的精度不顯著降低，且滿足使用場(chǎng)景，則是合理的。

如果您在這方面還有其他問題，請(qǐng)關(guān)注我，一起學(xué)習(xí)。