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

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，近年來，神經網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據集的最佳網絡結構

一個圖可以顯示這種關系。機器學習是人工智能的重要領域之一，而深度學習是機器學習的一個分支。深度學習之所以近年來流行起來，是因為它突破了傳統(tǒng)機器學習無法解決的一些問題。

機器學習的意義在于代替人工完成重復性工作，識別出統(tǒng)一的規(guī)則（模式）。但是對于傳統(tǒng)的機器學習來說，特征提取的難度不?。ㄌ卣骺梢允窍袼?、位置、方向等）。特征的準確性將在很大程度上決定大多數機器學習算法的性能。為了使特征準確，在特征工程部分需要大量的人力來調整和改進特征。完成這一系列工作的前提是，數據集中所包含的信息量是充分的，并且易于識別。如果不滿足這一前提，傳統(tǒng)的機器學習算法將在信息的雜亂中失去其性能。深度學習的應用正是基于這個問題。它的深層神經網絡使它能夠在雜波中學習，自動發(fā)現與任務相關的特征（可以看作是自發(fā)學習的特征工程），并提取高級特征，從而大大減少了特征工程部分任務所花費的時間。

另一個明顯的區(qū)別是他們對數據集大小的偏好。傳統(tǒng)的機器學習在處理規(guī)則完備的小規(guī)模數據時表現出良好的性能，而深度學習則表現不好。隨著數據集規(guī)模的不斷擴大，深度學習的效果會逐漸顯現出來，并變得越來越好。對比如下圖所示。