CNN中卷積核數是什么

小編給大家分享一下CNN中卷積核數是什么，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，給定輸入圖像，輸入圖像中一個小區域中像素加權平均后成為輸出圖像中的每個對應像素，其中權值由一個函數定義，這個函數稱為卷積核。

　　卷積核的意義

　　卷積核其實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等工作中，只是以前被稱為Filter。做圖像處理的同學應該有印象。

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

　　也可以從另外一個角度理解卷積核的意義。學過信號處理的同學應該記得，時域卷積對應頻域相乘。所以原圖像與卷積核的卷積，其實是對頻域信息進行選擇。比如，圖像中的邊緣和輪廓屬于是高頻信息，圖像中某區域強度的綜合考量屬于低頻信息。在傳統圖像處理里，這是指導設計卷積核的一個重要方面。

　　CNN中的卷積核

　　CNN中的卷積核跟傳統的卷積核本質沒有什么不同。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，CNN有一些它獨特的地方，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權值就可以看成是DNN中的，且與DNN一樣，會多一個參數偏置。

　　一個卷積核在與Input不同區域做卷積時，它的參數是固定不變的。放在DNN的框架中理解，就是對同一層Layer中的神經元而言，它們的和是相同的，只是所連接的節點在改變。因此在CNN里，這叫做共享權值偏置。

　　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選擇為維，也就是與輸入的Depth一致。

　　最重要的一點，在CNN中，卷積核的權值不需要提前設計，而是跟DNN一樣利用GD來優化，我們只需要初始化。

　　如上面所說，其實卷積核卷積后得到的會是原圖的某些特征（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中兩層之間會含有多個卷積核，目的是學習出Input的不同特征，對應得到多個特征圖。又由于卷積核中的參數是通過GD優化得到而非我們設定的，于是初始化就顯得格外重要了。

以上是“CNN中卷積核數是什么”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！