如何理解卷積神經網絡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

如何理解卷積神經網絡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該與輸入數(shù)據(jù)的深度一致。

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(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，神經網絡的自動搜索結構非常流行。其中最著名的是Google的nasnet，它利用一些啟發(fā)式遍歷來尋找特定數(shù)據(jù)集的最優(yōu)網絡結構

謝燕，卷積神經網絡作為一種前饋神經網絡，它的神經元可以響應周圍單元的一部分覆蓋，主要用于處理大圖像。該結構包括卷積層和池化層。在組合過程中，單元數(shù)逐層減少，但隨著操作單元數(shù)的增加，操作參數(shù)數(shù)也隨之增加。畢竟，操作參數(shù)的個數(shù)決定了它的感知能力，所以壓縮起來比較困難。為了保證計算的正確性，對運行參數(shù)的壓縮只能壓縮部分參數(shù)，但也有一定的局限性。個人理解，不要噴錯。