cnn卷積神經(jīng)網(wǎng)絡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)絡中的信道數(shù)。常用的是128 256

cnn卷積神經(jīng)網(wǎng)絡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)絡中的信道數(shù)。常用的是128 256 512，需要根據(jù)具體任務來確定。

另外，近年來，神經(jīng)網(wǎng)絡的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(shù)據(jù)集的最佳網(wǎng)絡結構。卷積神經(jīng)網(wǎng)絡結構

2。卷積神經(jīng)網(wǎng)絡的發(fā)展歷史

3。反向誤差傳播

用訓練集對卷積神經(jīng)網(wǎng)絡（CNN）進行訓練時，最終使卷積神經(jīng)網(wǎng)絡的前向性更好，計算損失函數(shù)，然后根據(jù)鏈導數(shù)規(guī)則更新CNN的權值參數(shù)。這是調整各層網(wǎng)絡和卷積核的特征抽取器的參數(shù)（各層的特征和功能不同）。

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

運行測試集的目的是測試特征提取器的能力。此時，通過訓練集對CNN各層的參數(shù)進行訓練，可以提取出相似訓練集的參數(shù)（圖像、聲音、文本）。此時，我們需要再次運行測試集來測試CNN的特征提取能力。

數(shù)據(jù)集：機器學習任務中使用的一組數(shù)據(jù)，每個數(shù)據(jù)集稱為一個樣本。反映樣品在某一方面的性能或性質的項目或屬性稱為特征。

訓練集：訓練過程中使用的數(shù)據(jù)集，其中每個訓練樣本稱為訓練樣本。從數(shù)據(jù)中學習模型的過程稱為學習（訓練）。

測試集：學習模型后，將其用于預測的過程稱為測試，使用的數(shù)據(jù)集稱為測試集，每個樣本稱為測試樣本。

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

我們通?？吹降木矸e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(shù)據(jù)的深度一致。

如何理解卷積神經(jīng)網(wǎng)絡里卷積過濾器的深度問題？

卷積神經(jīng)網(wǎng)絡通過用戶設計的損失融合（分類往往是交叉的）計算實際標簽和預測標簽之間的差異，使用梯度反向傳播最小化損失，并更新卷積核參數(shù)以生成新的預測值。重復此過程，直到培訓結束。