CNN的fliter里的每個(gè)值都是學(xué)習(xí)出來(lái)的不是事先設(shè)定好的。
經(jīng)過(guò)fliter處理后得到是特征圖(feature map)
卷積減少權(quán)重參數(shù)的本質(zhì)：

權(quán)重共享，不同的fliter會(huì)在某些神經(jīng)元上權(quán)重共享。
到底fliter，到底CNN學(xué)到了什么？

底層的fliter學(xué)到了小塊的紋理信息

高層的fliter學(xué)到了整體的信息，比如在fully connected layers中可以定向讓某個(gè)神經(jīng)元的值盡可能大，然后定向梯度上升得到原來(lái)的輸入信息X，于是我們就可以知道每一個(gè)神經(jīng)元讓他興奮度activate最高的圖片是什么樣子的。
那么這便是CNN探測(cè)學(xué)習(xí)到的東西。底層局部信息，高層全局信息。

什么時(shí)候使用CNN模型？
3. 有些模式要比整個(gè)圖像小很多 可以直接甄別。
4. 相同的模式會(huì)在期盼不同的區(qū)域出現(xiàn)多次。
5. 當(dāng)使用CNN時(shí)考慮輸入信息的特性是什么，要根據(jù)CNN的特性去設(shè)計(jì)fliter。

總結(jié)

以上是生活随笔為你收集整理的关于CNN的权重共享,CNN到底学到了什么?的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。