卷积神经网络，卷积矩阵（内核）
Convolutional Neural Networks, Matrix of Convolutional (Kernel)
下午好！在卷积神经网络（输入层）输入的第一阶段，我们收到源图像（因此是手写英文字母的图像）。首先，我们使用 nxn window 从左到右扫描图像并在内核（卷积矩阵）上乘法以构建特征图？但是没有地方写过内核应该有什么确切的值（换句话说，我应该乘以从 n*n window 检索到的数据的内核值）。在这个用于边缘检测的卷积核上乘以数据是否合适？有无数的卷积核（浮雕、高斯滤波器、边缘检测、角度检测等）？但是没有地方写入需要乘以检测手写符号的数据的确切内核。
Sample of Edge detection 3*3 kernel
Convolutional operation for multiplication on kernel
另外，如果整张图片的尺寸是30*30，是否可以使用5*5的window来构建feature maps？是否足以达到最佳的字母检测精度？
为了字母识别的最大精度，最好在什么确切的内核上乘以整个图像的面积？或者最初内核中的所有值都等于 0？我还可以问一下，应用什么公式或规则来检测构建特征图的总体需求量？或者如果任务是英语字母识别，那么在特征图构建过程的每个阶段都必须有 25 个特征图？谢谢回复！
在 CNN 中，卷积核是一个共享权重矩阵，其学习方式与其他权重类似。它以相同的方式初始化，具有较小的随机值，并且来自反向传播的权重增量在接收其输出的所有特征上求和（即通常所有 "pixels" 在卷积层的输出中）
典型的随机内核的性能有点像边缘检测器。
训练完成后，可以显示第一个CNN层，如果熟悉图像处理，通常会学到一些可以解释的内核
这里有一个关于正在学习的内核特性的动画视图：http://cs.nyu.edu/~yann/research/sparse/
简而言之，你的答案是：不需要寻找正确的内核来使用。而是寻找一个 CNN 库，您可以在其中设置参数（例如卷积层数），并研究在学习时查看内核的方式 - 大多数 CNN 库都会有一个记录的方式来可视化它们。
下午好！在卷积神经网络（输入层）输入的第一阶段，我们收到源图像（因此是手写英文字母的图像）。首先，我们使用 nxn window 从左到右扫描图像并在内核（卷积矩阵）上乘法以构建特征图？但是没有地方写过内核应该有什么确切的值（换句话说，我应该乘以从 n*n window 检索到的数据的内核值）。在这个用于边缘检测的卷积核上乘以数据是否合适？有无数的卷积核（浮雕、高斯滤波器、边缘检测、角度检测等）？但是没有地方写入需要乘以检测手写符号的数据的确切内核。
Sample of Edge detection 3*3 kernel
Convolutional operation for multiplication on kernel
另外，如果整张图片的尺寸是30*30，是否可以使用5*5的window来构建feature maps？是否足以达到最佳的字母检测精度？
为了字母识别的最大精度，最好在什么确切的内核上乘以整个图像的面积？或者最初内核中的所有值都等于 0？我还可以问一下，应用什么公式或规则来检测构建特征图的总体需求量？或者如果任务是英语字母识别，那么在特征图构建过程的每个阶段都必须有 25 个特征图？谢谢回复！
在 CNN 中，卷积核是一个共享权重矩阵，其学习方式与其他权重类似。它以相同的方式初始化，具有较小的随机值，并且来自反向传播的权重增量在接收其输出的所有特征上求和（即通常所有 "pixels" 在卷积层的输出中）
典型的随机内核的性能有点像边缘检测器。
训练完成后，可以显示第一个CNN层，如果熟悉图像处理，通常会学到一些可以解释的内核
这里有一个关于正在学习的内核特性的动画视图：http://cs.nyu.edu/~yann/research/sparse/
简而言之，你的答案是：不需要寻找正确的内核来使用。而是寻找一个 CNN 库，您可以在其中设置参数（例如卷积层数），并研究在学习时查看内核的方式 - 大多数 CNN 库都会有一个记录的方式来可视化它们。