卷积神经网络中滤波器的差分
创建卷积神经网络（CNN）时（如中所述https://cs231n.github.io/convolutional-networks/)输入层与一个或多个过滤器连接，每个过滤器表示一个要素地图。这里，过滤层中的每个神经元只与输入层的几个神经元相连。在最简单的情况下，我的n个过滤器中的每一个都具有相同的维度并使用相同的步幅。
我的问题是：
- 如何确保过滤器学习不同的特征，尽管它们使用相同的补丁进行训练
共有1个答案
我不是专家，但我可以回答你的问题。老实说，听起来你已经有了正确的想法：尤其是过滤器中权重/偏差的初始随机化，培养了他们学习不同特征的倾向（尽管我相信从网络更高层反向传播的错误的随机性也可以发挥作用）。
正如@user2717954所指出的，不能保证过滤器将学习独特的功能。然而，每次将训练样本或批次的误差反向传播到给定的卷积层时，都会稍微修改每个滤波器的权重和偏差，以提高网络的整体精度。由于每个过滤器中的初始权重和偏差都不同，因此大多数过滤器可能（并且可能给出合适的模型）最终稳定到表示一组鲁棒独特特征的值。
除了适当的权重随机化外，这也说明了为什么使用卷积层和足够数量的过滤器是至关重要的。如果没有足够的过滤器，网络从根本上是有限的，以至于在给定的抽象层上有一些重要、有用的模式，而这些模式根本无法用网络来表示。
-
我读过这篇文章“UFLDF”，它发展了autoencoder中隐藏层的可视化，但我很困惑如何可视化卷积神经网络的滤波器。在我看来，对于第一个卷积层，要使滤波器可视化，它需要这个等式： 对于第二个卷积层，它应该将滤波器投射到原始输入空间，但我不知道如何做。
-
此问题似乎与在帮助中心定义的范围内编程无关。 我不明白为什么在使用卷积神经网络时需要翻转滤波器。 根据千层面文件， flip_filters：bool（默认值：True） 是在将过滤器滑动到输入上之前翻转过滤器，执行卷积（这是默认设置），还是不翻转过滤器并执行相关。请注意，对于千层面中的其他一些卷积层，翻转会产生开销，默认情况下是禁用的–使用从其他层学习的权重时，请查看文档。 这是什么意思？我从未
-
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
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络
-
我从几篇文章中了解到，要计算滤波器的梯度，只需以输入体积为输入，以误差矩阵为核进行卷积。之后，只需将过滤器权重减去梯度（乘以学习率）。我实现了这个过程，但它不起作用。 我甚至试着自己用笔和纸做反向传播过程，但我计算的梯度并没有使过滤器的性能更好。那么，我对整个过程的理解是否有误？ 编辑：我将提供一个例子，说明我对CNN中反向传播及其问题的理解。 考虑卷积层的随机输入矩阵： 1,0,1 0、0、1
-
我问了一个关于我上周建立的一个网络的问题，我重复了一些建议，这些建议导致我发现了一些问题。我回到这个项目，解决了所有问题，并在这个过程中了解了更多关于CNN的信息。现在我陷入了一个问题：我所有的权重都变成了巨大的负值，再加上输出图像中的RELU端总是完全是黑色的（这使得分类器无法完成它的工作）。 在两个标记的图像上： 这些数据被传递到一个两层网络、一个分类器（它自己获得100%）和一个单过滤器3×