如何理解卷积神经网络里卷积过滤器的深度问题？我们通常看到的卷积滤波器原理图是这样的：
这实际上是卷积滤波器的“展平”或“展平”。例如，上图中的粉红色卷积滤波器是3x3x3，即长3，宽3，深3。然而，在图中，它是在两个维度中绘制的-深度被省略。
创新互联公司主营颍上网站建设的网络公司,主营网站建设方案,
成都app软件开发,颍上h5
成都微信小程序搭建,颍上网站营销推广欢迎颍上等地区企业咨询
.由于卷积滤波器的深度与输入图像的深度相同，所以原理图中没有绘制深度。如果同时绘制深度，效果如下：
（图片来源：mlnotebook）
如上所述，卷积滤波器的深度与输入图像的深度相同，即3。
顺便说一下，输入图像深度是3，因为输入图像是彩色图像，深度是3，分别是R、G和b值。
（图片来源：mlnotebook）
总之，卷积滤波器的深度应该与输入数据的深度一致。
卷积神经网络为什么最后接一个全连接层？
在基本的CNN网络中，全连接层的作用是将图像特征图中的特征通过多个卷积层和池化层进行融合，得到图像特征的高层含义，然后用它进行图像分类。
在CNN网络中，完全连接层将卷积层生成的特征映射映射到具有固定长度的特征向量（通常是输入图像数据集中的图像类别数）。特征向量包含输入图像中所有特征的组合信息。该特征向量虽然丢失了图像的位置信息，但保留了图像中最具特征的特征，完成了图像分类的任务。从图像分类任务的角度来看，计算机只需确定图像的内容，计算输入图像的具体类别值（类别概率），输出最有可能的类别即可完成分类任务。
卷积神经网络（cnn）中为什么要有池化层？
主要有三点：
还有像大池这样的非线性变换，可以提高网络功能的性能。
当前题目：网络层的三个功能是如何理解卷积神经网络里卷积过滤器的深度问题？-创新互联
当前地址：
http://cdkjz.cn/article/cdocsg.html
