CNN中卷積核數(shù)是什么

小編給大家分享一下CNN中卷積核數(shù)是什么，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

　　卷積核就是圖像處理時(shí)，給定輸入圖像，輸入圖像中一個(gè)小區(qū)域中像素加權(quán)平均后成為輸出圖像中的每個(gè)對(duì)應(yīng)像素，其中權(quán)值由一個(gè)函數(shù)定義，這個(gè)函數(shù)稱為卷積核。

　　卷積核的意義

　　卷積核其實(shí)在圖像處理中并不是新事物，Sobel算子等一系列濾波算子，一直都在被用于邊緣檢測(cè)等工作中，只是以前被稱為Filter。做圖像處理的同學(xué)應(yīng)該有印象。

　　卷積核具有的一個(gè)屬性就是局部性。即它只關(guān)注局部特征，局部的程度取決于卷積核的大小。比如用Sobel算子進(jìn)行邊緣檢測(cè)，本質(zhì)就是比較圖像鄰近像素的相似性。

　　也可以從另外一個(gè)角度理解卷積核的意義。學(xué)過信號(hào)處理的同學(xué)應(yīng)該記得，時(shí)域卷積對(duì)應(yīng)頻域相乘。所以原圖像與卷積核的卷積，其實(shí)是對(duì)頻域信息進(jìn)行選擇。比如，圖像中的邊緣和輪廓屬于是高頻信息，圖像中某區(qū)域強(qiáng)度的綜合考量屬于低頻信息。在傳統(tǒng)圖像處理里，這是指導(dǎo)設(shè)計(jì)卷積核的一個(gè)重要方面。

　　CNN中的卷積核

　　CNN中的卷積核跟傳統(tǒng)的卷積核本質(zhì)沒有什么不同。仍然以圖像為例，卷積核依次與輸入不同位置的圖像塊做卷積，得到輸出。

　　同時(shí)，CNN有一些它獨(dú)特的地方，比如各種定義：

　　CNN可以看作是DNN的一種簡化形式，即這里卷積核中的每一個(gè)權(quán)值就可以看成是DNN中的，且與DNN一樣，會(huì)多一個(gè)參數(shù)偏置。

　　一個(gè)卷積核在與Input不同區(qū)域做卷積時(shí)，它的參數(shù)是固定不變的。放在DNN的框架中理解，就是對(duì)同一層Layer中的神經(jīng)元而言，它們的和是相同的，只是所連接的節(jié)點(diǎn)在改變。因此在CNN里，這叫做共享權(quán)值偏置。

　　在CNN中，卷積核可能是高維的。假如輸入是維的，那么一般卷積核就會(huì)選擇為維，也就是與輸入的Depth一致。

　　最重要的一點(diǎn)，在CNN中，卷積核的權(quán)值不需要提前設(shè)計(jì)，而是跟DNN一樣利用GD來優(yōu)化，我們只需要初始化。

　　如上面所說，其實(shí)卷積核卷積后得到的會(huì)是原圖的某些特征（如邊緣信息），所以在CNN中，卷積核卷積得到的Layer稱作特征圖。

　　總之，一般CNN中兩層之間會(huì)含有多個(gè)卷積核，目的是學(xué)習(xí)出Input的不同特征，對(duì)應(yīng)得到多個(gè)特征圖。又由于卷積核中的參數(shù)是通過GD優(yōu)化得到而非我們?cè)O(shè)定的，于是初始化就顯得格外重要了。

以上是“CNN中卷積核數(shù)是什么”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道！