CNN中卷积和池化的作用？
卷积有一个重要概念是卷积核，用法是对上一层feature map进行逐块扫描进行卷积计算得到新的feature map，用于获得新的feature map，每个卷积核代表了一种特征，即从前一层提取新的特征，并且减少了参数
池化是为了防止图像特征提取中像素偏移对结果造成影响，因此做法是对扫描的每一块取最大值或平均值，
-
本文向大家介绍卷积层和池化层有什么区别相关面试题，主要包含被问及卷积层和池化层有什么区别时的应答技巧和注意事项，需要的朋友参考一下 参考回答： 卷积层 池化层 功能 提取特征 压缩特征图，提取主要特征 操作 可惜是二维的，对于三维数据比如RGB图像（3通道），卷积核的深度必须同输入的通道数，输出的通道数等于卷积核的个数。卷积操作会改变输入特征图的通道数。 池化只是在二维数据上操作的，因此不改变
-
我是卷积神经网络的新手。我正在阅读一些教程，并使用Keras测试一些示例代码。要添加卷积层，基本上我只需要指定内核的数量和大小。 我的问题是每个内核是什么样子的？它们是所有计算机视觉应用程序的通用工具吗？
-
我正在学习使用卷积神经网络，并为其编写了自己的框架。我被困在必须通过网络反向传播错误（delta）并计算梯度的部分。我知道CNN中的过滤器是3D的，所以我们有一些过滤器的宽度、高度和深度。前馈很好。让我们看看前馈步骤中计算某一层输出的公式： 为了进行卷积，层l中滤波器的深度应与前一层l-1的输出z的输出通道数（深度）相同。在这里，在这个公式中，我们将前一层的输出和当前层的权重进行卷积，因为第三坐标
-
本文向大家介绍卷积池化后大小计算公式？相关面试题，主要包含被问及卷积池化后大小计算公式？时的应答技巧和注意事项，需要的朋友参考一下 首先我们应该知道卷积或者池化后大小的计算公式： out_height=（(input_height - filter_height + padding_top+padding_bottom)/stride_height ）+1 out_width=（(input_wi
-
本文向大家介绍什么是CNN的池化相关面试题，主要包含被问及什么是CNN的池化时的应答技巧和注意事项，需要的朋友参考一下 池化，简言之，即取区域平均或最大，如下图所示（图引自cs231n） 上图所展示的是取区域最大，即上图左边部分中 左上角2x2的矩阵中6最大，右上角2x2的矩阵中8最大，左下角2x2的矩阵中3最大，右下角2x2的矩阵中4最大，所以得到上图右边部分的结果：6 8 3 4。
-
最后，我开始学习神经网络，我想知道卷积深度信念网络和卷积网络之间的区别。在这里，有一个类似的问题，但没有确切的答案。我们知道卷积深度信念网络是CNN DBN。所以，我要做一个物体识别。我想知道哪一个比另一个好得多或者它们的复杂性。我搜索了一下，但找不到任何东西，可能是做错了什么。