卷积核是预定义的还是CNN在训练期间定义的
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：
kernel = [[ 0, 1, -2, 1, 0]
[ 0, 2, -1, 2, 1]
[ 1, 0, 1, 0, 0]
[-1, -1, 0, -3, -1]
[-3, -2, 0, 1, 1]]
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？
共有1个答案
对于CNN，在优化过程中对核进行训练，因此矩阵中的每个数字都是一个自由参数，根据该特定变量所考虑损失的偏导数进行调整。
所以要回答
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？
你会告诉模型使用给定大小、给定行间距的K个内核，可能在多层中，然后是其他操作，它会自己找到所有内核。
-
本文向大家介绍CNN的卷积核是单层还是多层的？相关面试题，主要包含被问及CNN的卷积核是单层还是多层的？时的应答技巧和注意事项，需要的朋友参考一下 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
-
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
-
我试图从图像中对ASCII字符串进行OCR识别。我正在使用Tesseract3库，但是在正确识别方面有一点问题，所以我需要用新的字符集（这是特定的）来训练它。我已经发现了这个how-to:TrainingTesseract3，但教程中有一些不必要的过程，我不需要，因为我的图像测试集很简单。我的图像数据集只包含1个行，其中每个ASCII字符在所有图像中都是相同的（没有旋转，没有缩放），但行中字符之间
-
大家已经提到了这个，这个，这个和这个，但是仍然发现很难建立一个自定义的名字查找器模型。。以下是代码： 我在尝试执行命令行时不断出现错误： 让我把论点1改为 然后我收到一个运行时错误，说你不能强制转换这个。这是我在线程“main”中强制转换 第二个问题是： 给出一个语法错误。不确定这里出了什么问题。如果有任何帮助，我将不胜感激，因为我已经尝试了上述链接上的所有代码片段。 祝好
-
我有一个关于卷积神经网络（）训练的问题。 我成功地使用tensorflow训练了一个网络，它获取一个输入图像（1600像素），然后输出三个匹配的类中的一个。 使用不同的培训课程测试网络，效果良好。然而当我给它一个不同的第四个图像（不包含任何经过训练的3个图像）时，它总是返回一个随机匹配到其中一个类。 我的问题是，如何训练网络来分类图像不属于这三个训练图像中的任何一个？类似的例子是，如果我针对mni
-
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？