知识卡片
卷积核由训练迭代求得
人工设计的边缘过滤器只能检测有限的简单边缘,真正需要的是让网络自己学会合适的过滤器。过滤器相当于标准神经网络中的权重矩阵 W,而 W 是通过梯度下降反复迭代求出来的,因此卷积核也要靠模型训练得到。训练完成后,网络计算出的这些过滤器数值就实现了对所有边缘特征的检测。这一机制把 [[增加通道与卷积核]] 从手工设计推广到端到端学习,是卷积网络强大表达能力的关键。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第3章 计算机视觉处理 · 查看原书依据
那么,如何确定过滤器呢?过滤器类似于标准神经网络中的权重矩阵W,W需要通过梯度下降算法反复迭代求得,所以,在深度学习中,过滤器也需要通过模型训练得到。卷积神经网络计算出这些过滤器的数值,也就实现了对图片所有边缘特征的检测。
参考来源
- 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第3章 计算机视觉处理(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter6_0001.xhtml)
- 结论依据:原文明确把过滤器类比为权重矩阵 W,指出它需经梯度下降迭代、由模型训练得到,从而检测所有边缘特征。
- 原始内容:那么,如何确定过滤器呢?过滤器类似于标准神经网络中的权重矩阵W,W需要通过梯度下降算法反复迭代求得,所以,在深度学习中,过滤器也需要通过模型训练得到。卷积神经网络计算出这些过滤器的数值,也就实现了对图片所有边缘特征的检测。