如何理解卷積神經(jīng)網(wǎng)絡(luò)里卷積過(guò)濾器的深度問題？謝邀！什么是卷積神經(jīng)網(wǎng)絡(luò)？它們基本只不過(guò)是不使用卷積層的神經(jīng)網(wǎng)絡(luò)，即設(shè)計(jì)和實(shí)現(xiàn)卷積數(shù)算的Conv層。Conv圖層由一組濾鏡組成，你可以不將其比例內(nèi)項(xiàng)是數(shù)字的

如何理解卷積神經(jīng)網(wǎng)絡(luò)里卷積過(guò)濾器的深度問題？

謝邀！

什么是卷積神經(jīng)網(wǎng)絡(luò)？

它們基本只不過(guò)是不使用卷積層的神經(jīng)網(wǎng)絡(luò)，即設(shè)計(jì)和實(shí)現(xiàn)卷積數(shù)算的Conv層。Conv圖層由一組濾鏡組成，你可以不將其比例內(nèi)項(xiàng)是數(shù)字的二維矩陣。這里有一個(gè)例子3x3過(guò)濾器:

我們可以不使用一個(gè)輸入圖像和一個(gè)過(guò)濾器實(shí)際將過(guò)濾器與輸入圖像接受卷積層來(lái)生成沉淀一個(gè)輸出來(lái)圖像。這除開

將過(guò)濾器完全覆蓋在圖像的某個(gè)位置上。在過(guò)濾器中的值還不如在圖像中的對(duì)應(yīng)值之間想執(zhí)行元素級(jí)乘法?？偨Y(jié)所有元素產(chǎn)品。這個(gè)和是輸出圖像中目標(biāo)像素的輸出值。對(duì)所有位置再重復(fù)一遍。旁注:我們(和許多CNN利用)實(shí)際上在技術(shù)上不使用的是互相關(guān)而不是什么卷積核，但它們做的全都是差不多的。我不可能在這篇文章中詳細(xì)點(diǎn)再討論它們之間的有什么不同，只不過(guò)這根本不重要的是。

這四步描述稍微有點(diǎn)抽象，我們來(lái)做個(gè)例子。看下這個(gè)微小的4x4灰度圖像和這個(gè)3x3濾鏡：

圖像中的數(shù)字它表示像素強(qiáng)度，其中0為黑色，255為白色。我們將卷積鍵入圖像和過(guò)濾器產(chǎn)生一個(gè)2x2輸出低圖像:

是需要，讓我們將濾鏡效果疊加在圖片的左上角：

接下來(lái)的事情，我們?cè)谄春蠄D像值和過(guò)濾器值之間先執(zhí)行逐元素乘法。以下是結(jié)果，從左上角又開始向右，然后再往上：

接下來(lái)，我們學(xué)習(xí)總結(jié)所有的結(jié)果。這是很容易:

到最后，我們將結(jié)果盛有輸出圖像的目標(biāo)像素中。由于我們的過(guò)濾器完全覆蓋在輸入圖像的左上角，我們的目標(biāo)像素是輸出圖像的左上角像素:

我們做同樣的的事情來(lái)生成輸出圖像的其余部分：

3.1這有什么用?

讓我們縮小成幫一下忙，在更高的層次上看這個(gè)。將圖像與過(guò)濾器通過(guò)卷積核會(huì)什么?我們是可以從我們一直都在用的例子3x3過(guò)濾器就開始，它大多數(shù)被一般稱互相垂直Sobel過(guò)濾器:

下面是一個(gè)直角Sobel過(guò)濾器的例子:

雖然，有一個(gè)水平Sobel過(guò)濾器:

看發(fā)生了什么?Sobel過(guò)濾器是一種邊緣檢測(cè)器?；ハ啻怪盨obel過(guò)濾器檢測(cè)平行邊緣，水平Sobel過(guò)濾器檢測(cè)水平邊緣。輸出圖像現(xiàn)在會(huì)容易講解:輸出圖像中的亮像素(高值像素)可以表示在遠(yuǎn)古時(shí)期圖像中有兩個(gè)強(qiáng)邊緣。

你能看出為啥邊緣檢測(cè)圖像可能會(huì)比各種圖像更有用嗎？仔細(xì)回想幫一下忙我們的MNIST手寫版數(shù)字分類問題。在MNIST上訓(xùn)練的CNN這個(gè)可以尋找數(shù)字1，比如，按照在用邊緣檢測(cè)過(guò)濾器并檢查圖像中心附近的兩個(gè)主體形象的平行邊緣。大多數(shù)，卷積核能增強(qiáng)我們里查某個(gè)特定的本地化圖像特征（如邊緣），我們也可以在以后的網(wǎng)絡(luò)中使用。

3.2圖案填充

記不記得以前將4x4然后輸入圖像與3x3濾波器卷積核得到2x2輸出圖像嗎?大多，我們只希望控制輸出圖像與輸入圖像的大小完全相同。而，我們?cè)趫D像周圍先添加零，那樣我們就這個(gè)可以在一些的地方覆蓋過(guò)濾器。一個(gè)3x3的過(guò)濾器是需要1像素的填充

這一般稱同一再填充，而且輸入和輸出具高同一的尺寸。不建議使用任何圖案填充，這是我們一直在在做的，并將繼續(xù)為這篇文章做，偶爾會(huì)被稱為快速有效填充。

3.3Conv層（Conv Layers）

現(xiàn)在我們清楚了圖像卷積是怎么工作的話的和它為什么不有用，讓我們?nèi)タ纯此贑NN中的實(shí)際應(yīng)用。如前文所述，CNN和conv層，它不使用一組過(guò)濾器將輸入輸入圖像轉(zhuǎn)換成為輸出來(lái)圖像。conv層的主要參數(shù)是它具備的過(guò)濾器的數(shù)量。

是對(duì)MNISTCNN，我們將使用一個(gè)內(nèi)帶8個(gè)過(guò)濾器的小conv層作為網(wǎng)絡(luò)的初始層。這意味著它將把28x28的輸入圖像轉(zhuǎn)換的成26x26x8的容量：

叮囑:輸出是26x26x8，而又不是28x28x8，只不過(guò)我們不使用了比較有效的再填充，這將輸入輸入的寬度和垂直距離會(huì)降低了2。

conv層中的4個(gè)過(guò)濾器每個(gè)都產(chǎn)生一個(gè)26x26的作為輸出，并且它們不疊加在一起所構(gòu)成一個(gè)26x26x8。所有這些都是畢竟3×3(過(guò)濾器大小)×8(過(guò)濾器數(shù)量)72個(gè)權(quán)重!

3.4可以實(shí)行卷積

是時(shí)候把我們學(xué)到的東西寫進(jìn)代碼里了!我們將基于conv層的前饋部分，它專門負(fù)責(zé)將過(guò)濾器與輸入圖像進(jìn)行卷積和以生成輸出低卷。目的是簡(jiǎn)單起見，我們假設(shè)不成立過(guò)濾器我總是3x3(這并不是真的，5x5和7x7過(guò)濾器也很最常見的一種)。

讓我們又開始基于一個(gè)conv層類:

Conv3x3類只接受一個(gè)參數(shù):過(guò)濾器的數(shù)量。在構(gòu)造函數(shù)中，我們存儲(chǔ)過(guò)濾器的數(shù)量，并使用NumPy的randn()方法初始化設(shè)置一個(gè)必掉過(guò)濾器數(shù)組。

注意一點(diǎn):要是初始值過(guò)大或過(guò)小，訓(xùn)練網(wǎng)絡(luò)將無(wú)效。

接下來(lái)的，不好算的卷積:

iterate_regions()是一個(gè)輔助發(fā)生器的方法,收益率為我們所有有效3x3的圖像區(qū)域。這對(duì)此以后利用該類的向側(cè)面部分太用處。

上面線條清晰沒顯示了不好算負(fù)責(zé)執(zhí)行卷積的代碼行。讓我們來(lái)分解看看:

我們有im_region，一個(gè)中有查找圖像區(qū)域的3x3數(shù)組。我們有，一個(gè)3d數(shù)組。我們做im_region*，它建議使用numpy的廣播機(jī)制以元素除以兩個(gè)數(shù)組。結(jié)果是一個(gè)3d數(shù)組，其尺寸與同一。我們（）上一步的結(jié)果可以使用axis（1,2），它出現(xiàn)一個(gè)長(zhǎng)度為num_filters的1d數(shù)組，其中每個(gè)元素中有你所選過(guò)濾器的卷積結(jié)果。我們將結(jié)果先分配給輸出來(lái)[i，j]，其中乾坤二卦輸出來(lái)中像素（i，j）的卷積結(jié)果。對(duì)輸出中的每個(gè)像素不能執(zhí)行上面的序列，直到此時(shí)得到到最后的輸出卷為止!讓我們測(cè)試出來(lái)下我們的代碼:

目前看起來(lái)還好。

注意:在Conv3x3實(shí)現(xiàn)程序中，是為很簡(jiǎn)單起見，我們題中鍵入是一個(gè)2dnumpy數(shù)組，畢竟MNIST圖像就是這樣儲(chǔ)存的。這對(duì)我們有用，是因?yàn)槲覀冊(cè)谟盟洚?dāng)我們網(wǎng)絡(luò)的第一層，但大多數(shù)cnn有更多的Conv層。如果不是我們要構(gòu)建體系一個(gè)大得多的網(wǎng)絡(luò)，需要三次使用Conv3x3，那就我們要將再輸入設(shè)置為3dnumpy數(shù)組。

更多無(wú)關(guān)人工智能的資訊、深度報(bào)道、采訪采訪歡迎關(guān)注AI，無(wú)論你是小白我還是大神，你想的這里都是！

windows11兼容ps2022嗎？

不兼容。

最新的Photoshop2022也不會(huì)遺忘大眾十分喜歡的神經(jīng)濾鏡。2012版版本反而對(duì)以往的濾鏡做了經(jīng)濟(jì)責(zé)任指標(biāo)優(yōu)化，同時(shí)還新增審批了其他的濾鏡效果。以往在AI和PS之間的溝通和交流我總是有些許經(jīng)驗(yàn)不夠，不能夠很不錯(cuò)的協(xié)同工作。如今我們可以不快速將本身圖層/向量形狀和路徑和向量圖遮色片的Ai檔案導(dǎo)出到Photoshop盡快再編輯和使用。