我是数据科学和 CNN 的新手。
我对CNN的理解是：
图像的像素数据使用过滤器进行卷积，过滤器提取边缘及其位置等特征。
这将创建过滤器映射。
然后我们应用最大池化，它将对数据进行下采样。
然后我们将这些数据输入一个学习分类的神经网络。
现在我知道我可以用卷积来做一些事情，比如模糊或从图像中获取边缘。
但是假设我正在尝试制作一个“热狗与否”应用程序，我该如何制作我的过滤器？矩阵会是什么？
CNN 中的过滤器是如何制作的？
数据挖掘
美国有线电视新闻网
2021-10-15 00:55:43
2个回答
首先，特征图是应用激活函数（例如 ReLU 或 sigmoid）后卷积的输出，而不是图像卷积的矩阵。通常，这称为过滤器。
CNN 的神奇之处在于，对于任何给定问题，我们不知道过滤器应该是什么样子。CNN 会自动计算出每个过滤器的外观。这是通过反向传播过程完成的。在不深入研究数学的情况下，基本上每次训练示例（或一批示例）通过网络时，每个过滤器内的值都会更新一些少量。这少量是使用损失函数的导数确定的。随着训练过程的每一步完成，每个过滤器内的值（如果一切顺利！）慢慢收敛到最小化损失函数的值，从而产生最佳质量的预测。
有关数学的更多信息，我鼓励您阅读免费在线书籍《神经网络和深度学习》中关于反向传播的章节，可在此处获得。
这里也提供了更简单的解释
我们需要从超参数调整中选择过滤器大小。它总是基于您的问题，您尝试提取什么样的特征。有时 3 3,5 5 或 9*9 是合适的，它总是基于我们正在解决什么样的问题。我们可以用矩阵中的随机 1 和 0 初始化过滤器值。在训练期间（即在反向传播期间）学习过滤器值。因此，过滤器的各个值通常称为 CNN 的权重。
其它你可能感兴趣的问题