CNN的卷积核是单层还是多层的？
描述网络模型中某层的厚度，通常用名词通道channel数或者特征图feature map数。不过人们更习惯把作为数据输入的前层的厚度称之为通道数（比如RGB三色图层称为输入通道数为3），把作为卷积输出的后层的厚度称之为特征图数。
卷积核的厚度H, 一般等于前层厚度M(输入通道数或feature map数). 特殊情况M > H。
卷积核的个数N, 一般等于后层厚度(后层feature maps数，因为相等所以也用N表示)。
卷积核通常从属于后层，为后层提供了各种查看前层特征的视角，这个视角是自动形成的。
卷积核厚度等于1时为2D卷积，对应平面点相乘然后把结果加起来，相当于点积运算；
卷积核厚度大于1时为3D卷积，每片分别平面点求卷积，然后把每片结果加起来，作为3D卷积结果；
1x1卷积属于3D卷积的一个特例，有厚度无面积, 直接把每片单个点乘以权重再相加。
归纳之，卷积的意思就是把一个区域，不管是一维线段，二维方阵，还是三维长方块，全部按照卷积核的维度形状，对应逐点相乘再求和，浓缩成一个标量值也就是降到零维度，作为下一层的一个feature map的一个点的值！ 可以比喻一群渔夫坐一个渔船撒网打鱼，鱼塘是多层水域，每层鱼儿不同。 船每次移位一个stride到一个地方，每个渔夫撒一网，得到收获，然后换一个距离stride再撒，如此重复直到遍历鱼塘。 A渔夫盯着鱼的品种，遍历鱼塘后该渔夫描绘了鱼塘的鱼品种分布； B渔夫盯着鱼的重量，遍历鱼塘后该渔夫描绘了鱼塘的鱼重量分布； 还有N-2个渔夫，各自兴趣各干各的； 最后得到N个特征图，描述了鱼塘的一切！
-
卷积神经网络有一个批量过滤器, 持续不断的在图片上滚动收集图片里的信息,每一次收集的时候都只是收集一小块像素区域, 然后把收集来的信息进行整理, 这时候整理出来的信息有了一些实际上的呈现, 比如这时的神经网络能看到一些边缘的图片信息, 然后在以同样的步骤, 用类似的批量过滤器扫过产生的这些边缘信息, 神经网络从这些边缘信息里面总结出更高层的信息结构,比如说总结的边缘能够画出眼睛,鼻子等等. 再经过
-
Convolution1D层 keras.layers.convolutional.Convolution1D(nb_filter, filter_length, init='uniform', activation='linear', weights=None, border_mode='valid', subsample_length=1, W_regularizer=None, b_regu
-
Conv1D层 keras.layers.convolutional.Conv1D(filters, kernel_size, strides=1, padding='valid', dilation_rate=1, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zero
-
问题是卷积神经网络的数学细节。假设网络的体系结构（其目标是图像分类）是这样的 输入图像32x32 第一个隐藏层3x28x28（由3个大小为5x5的滤波器卷积而成，步幅=0，无填充），随后是激活 池化层（在2x2区域上池化），产生3x14x14输出 第二隐藏层6x10x10（由6个大小为5x5的滤波器卷积而成，步幅=0，无填充），随后激活 池化层（在2x2区域上池化），产生6x5x5输出 具有100
-
我了解卷积核的工作原理及其在神经网络中的作用。然而，我不确定在典型的CNN中，你是否会预先定义卷积核是什么，或者这是否是CNN“弄明白”的东西例如，在制作CNN时，您是否可以简单地定义一些5x5卷积内核，如下所示： 或者你会简单地告诉CNN找到一个5x5内核，然后在训练后它会想出一个好的5x5内核？
-
根据文档网站(https://keras.io/layers/convolutional/)keras卷积层的内核大小定义为高度x宽度： kernel\u size：一个整数或2个整数的元组/列表，指定2D卷积窗口的高度和宽度。可以是单个整数，以便为所有空间标注指定相同的值。 然而，在代码文档中，其定义正好相反： kernel_size：2个整数的整数或元组/列表，指定2D卷积窗口的宽度和高度。可