卷積神經(jīng)網(wǎng)絡(luò)（cnn）中為什么要有池化層？主要有三點：還有像Max pooling這樣的非線性轉(zhuǎn)換，可以提高網(wǎng)絡(luò)功能的性能。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

卷積神經(jīng)網(wǎng)絡(luò)（cnn）中為什么要有池化層？

主要有三點：

還有像Max pooling這樣的非線性轉(zhuǎn)換，可以提高網(wǎng)絡(luò)功能的性能。

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(yīng)該與輸入數(shù)據(jù)的深度一致。

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，最近，神經(jīng)網(wǎng)絡(luò)自動搜索結(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)集的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)