如何理解卷積神經(jīng)網(wǎng)絡(luò)里卷積過濾器的深度問題？我們通?？吹降木矸e濾波器原理圖是這樣的：這實(shí)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(zhǎng)3，寬3，深3。然而，在圖

如何理解卷積神經(jīng)網(wǎng)絡(luò)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(shí)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(zhǎng)3，寬3，深3。然而，在圖中，它是在兩個(gè)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(shí)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?yàn)檩斎雸D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。

卷積神經(jīng)網(wǎng)絡(luò)如何進(jìn)行圖像識(shí)別？

卷積神經(jīng)網(wǎng)絡(luò)通過用戶設(shè)計(jì)的損失融合（分類往往是交叉的）計(jì)算實(shí)際標(biāo)簽和預(yù)測(cè)標(biāo)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(yù)測(cè)值。重復(fù)此過程，直到培訓(xùn)結(jié)束。

卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖像數(shù)據(jù)很卡？

我想你需要先確定你是使用CPU還是GPU。安裝tensorflow時(shí)，如果安裝了GPU版本，則使用默認(rèn)GPU。你可以在運(yùn)行程序之前打開探測(cè)器。例如，Watch-n0.1nvidiasmi（Ubuntu）命令可以用來檢測(cè)GPU。CPU和內(nèi)存系統(tǒng)（我不知道你用什么系統(tǒng)）也有可視化監(jiān)控程序。

程序卡，但還是可以運(yùn)行的，我猜應(yīng)該是用CPU在計(jì)算時(shí)，內(nèi)存不夠，用虛擬內(nèi)存時(shí)，卡就多了。

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？

1. 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。反向傳播

當(dāng)用訓(xùn)練集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（CNN）時(shí)，卷積神經(jīng)網(wǎng)絡(luò)正向傳播的卷積池過程就是特征提取過程。最后，計(jì)算出網(wǎng)絡(luò)的損失函數(shù)，然后根據(jù)鏈導(dǎo)數(shù)規(guī)則，利用反向傳播算法更新網(wǎng)絡(luò)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。

利用卷積神經(jīng)網(wǎng)絡(luò)模型，怎么識(shí)別人體行為動(dòng)作？

CNN卷積神經(jīng)網(wǎng)絡(luò)是一種深度模型。

事實(shí)上，它已經(jīng)成功地訓(xùn)練和應(yīng)用了很長(zhǎng)一段時(shí)間（最近，深度學(xué)習(xí)可能太流行了，CNN也依賴它）。雖然CNN也屬于多層神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，但很多人在將其放入DL家族時(shí)仍然保持著自己的理解。它在原始輸入中使用可訓(xùn)練濾波器和局部鄰域池運(yùn)算，得到一個(gè)層次化的、逐漸復(fù)雜的特征表示。實(shí)踐表明，采用適當(dāng)?shù)恼齽t化項(xiàng)進(jìn)行訓(xùn)練可以取得很好的效果。CNN的另一個(gè)最受歡迎的特點(diǎn)是它對(duì)姿勢(shì)、光線和復(fù)雜背景等事物保持不變。