卷积神经网络中深度的解释
我正在学习卷积神经网络，并试图弄清楚数学计算是如何发生的。假设有一个输入图像有3个通道(RGB)，所以图像的形状是28*28*3。考虑为下一层应用大小为5*5*3和步幅为1的6个过滤器。这样，我们将在下一层得到24*24*6。由于输入图像是RGB图像，每个滤波器的24*24图像如何解释为RGB图像，即每个滤波器的内部构造的图像大小为24*24*3？
共有1个答案
在应用了第一个卷积层之后，就不能再认为它是RGB了。该[5,5,3]卷积从5*5*3=75浮动（25个像素，每个有3个通道）中获取所有信息，并根据网络为该滤波器训练的任何参数将其混合在一起。
在许多图像识别任务中，第一层经常学习像边缘检测器和锐化掩模等东西。例如，查看VGG16的层的可视化。
但输出本身只是...信息，在那一点上。或者，更准确地说，深度频道的意义将取决于网络的学习方式。可能会有一些有意义的东西来区分深度通道（以及其中的不同值意味着什么），但如果不尝试将其形象化，就不太可能是直观的。我不知道有哪一个项目能独立地将深度频道可视化，但有人可能会有。
-
在LeNet提出后的将近20年里，神经网络一度被其他机器学习方法超越，如支持向量机。虽然LeNet可以在早期的小数据集上取得好的成绩，但是在更大的真实数据集上的表现并不尽如人意。一方面，神经网络计算复杂。虽然20世纪90年代也有过一些针对神经网络的加速硬件，但并没有像之后GPU那样大量普及。因此，训练一个多通道、多层和有大量参数的卷积神经网络在当年很难完成。另一方面，当年研究者还没有大量深入研究参
-
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。
-
我是神经网络领域的新手，我想知道深度信念网络和卷积网络之间的区别。还有，有没有深度信念和卷积神经网络相结合的深度卷积网络？ 这就是我目前所收集到的。如果我错了请纠正我。 对于图像分类问题，深度信念网络有许多层，每个层都使用贪婪的分层策略进行训练。例如，如果我的图像大小是50x50，我想要一个有4层的深度网络，即 输入层 隐藏层1(HL1) 隐藏层2(HL2) 输出层 如果使用卷积神经网络解决了同样
-
我正在研究CS231n卷积神经网络，用于视觉识别。在卷积神经网络中，神经元按3维排列(，，)。我对CNN的有问题。我无法想象这是什么。 在链接中，他们说。 我可以理解这样的想法：我们从图像上取下一小块区域，然后将它与“滤镜”进行比较。那么滤镜会收集小图像吗？他们还说那么感受野的维数和滤波器的维数是一样的吗？这里的深度是多少？我们使用CNN的深度意味着什么？ 编辑：所以在教程的一部分（真实世界示例部
-
卷积运算 再次引用上一篇里的内容《自己动手做聊天机器人 二十二-神奇算法之人工神经网络》： 卷积英文是convolution(英文含义是：盘绕、弯曲、错综复杂)，数学表达是： 上面连续的情形如果不好理解，可以转成离散的来理解，其实就相当于两个多项式相乘，如：(x*x+3*x+2)(2*x+5)，计算他的方法是两个多项式的系数分别交叉相乘，最后相加。用一句话概括就是：多项式相乘，相当于系数向量的卷积
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz