本文重點
卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種深度學(xué)習(xí)模型，其主要特點是使用卷積層來提取特征。卷積層的核心是卷積核，也稱為濾波器（filter）。卷積核是一個小的矩陣，通過卷積操作將輸入數(shù)據(jù)中的特征提取出來。卷積核的參數(shù)是如何學(xué)習(xí)得到的呢？
卷積核其實就是參數(shù)
我們前面學(xué)習(xí)了卷積核在特征提取的作用，我們知道了不同的卷積核提取得特征是不同的，科學(xué)家通過常年的研究已經(jīng)總結(jié)出了一些常用的卷積核，比如可以進(jìn)行紋理提取的卷積核，可以垂直邊緣檢測的卷積核，那么在搭建卷積神經(jīng)網(wǎng)絡(luò)中，不需要我們?nèi)藶榈闹付ㄊ褂檬裁礃拥木矸e核提取特征，卷積核作為參數(shù)可以在反向傳播中自己學(xué)習(xí)到，有時候卷積核提取的特征是什么？我們可能根本不理解。
如圖所示是一個3*3的卷積核，它有9個值，不同的值決定了卷積核的不同，那么卷積核提取的特征也就是不一樣的。
現(xiàn)實使用中，它的值會作為參數(shù)在反向傳播中進(jìn)行更新，卷積核的參數(shù)通過訓(xùn)練得到，也許有的時候訓(xùn)練出來的卷積核做了什么，可能我們也不知道，我們可以理解為它做了一件類似垂直邊緣檢測的操作，也就是提取了某一部分的特征，可能比單純的邊緣檢測要復(fù)雜了很多，以檢測出45°或70°或73°等等，甚至是任何角度的邊緣。文章來源：http://www.zghlxwxcb.cn/news/detail-575561.html
總結(jié)
在模型學(xué)習(xí)過程中，更多時候會自動學(xué)習(xí)到勝過任何之前這些已經(jīng)確定功能的過濾器。因為神經(jīng)網(wǎng)絡(luò)總會根據(jù)數(shù)據(jù)自動學(xué)習(xí)適合數(shù)據(jù)的卷積核參數(shù)。也就是說，當(dāng)我們使用卷積核的時候，我們不一定要去使用那些研究者們所選擇的這九個數(shù)字，而是應(yīng)該把這矩陣中的 9 個數(shù)字當(dāng)成 9 個參數(shù)，然后具體這9個參數(shù)是什么？應(yīng)該由數(shù)據(jù)決定，并且在之后使用反向傳播算法，其目標(biāo)就是去學(xué)習(xí)這9 個參數(shù)，這9個參數(shù)就確定了該過濾器的功能。文章來源地址http://www.zghlxwxcb.cn/news/detail-575561.html
到了這里，關(guān)于計算機(jī)視覺：卷積核的參數(shù)是如何得到的？的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
