cnn卷积神经网络中的卷积核怎么确定？从模型中学习卷积参数，手动确定卷积核的大小和数目。二维卷积核的大小通常是奇数，例如1*1、3*3、5*5、7*7。卷积核数是网络中的信道数。常用的是128256512，需要根据具体任务来确定。
另外，最近神经网络自动搜索结构非常流行。最著名的是Google的nasnet，它使用一些启发式遍历来寻找特定数据集的最佳网络结构
“专业、务实、高效、创新、把客户的事当成自己的事”是我们每一个人一直以来坚持追求的企业文化。
创新互联建站是您可以信赖的网站建设服务商、专业的互联网服务提供商! 专注于成都网站设计、成都做网站、软件开发、设计服务业务。我们始终坚持以客户需求为导向，结合用户体验与视觉传达，提供有针对性的项目解决方案，提供专业性的建议，
创新互联建站将不断地超越自我，追逐市场，引领市场！
我们通常看到的卷积滤波器图是这样的：
这实际上是“展平”或“展平”卷积滤波器。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。
.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。
如何理解卷积神经网络里卷积过滤器的深度问题？
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。
卷积神经网络（cnn）中为什么要有池化层？
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。
网站标题：卷积神经网络三大特点cnn卷积神经网络中的卷积核怎么确定？-创新互联
标题链接：
http://cdkjz.cn/article/igphh.html
