Machine learning 在使用CNN时，我们是否可以明确指定要从图像中提取的特征

上一天，我学习了卷积神经网络，并使用Tensorflow完成了CNN的一些实现，所有的实现都只指定了过滤器的大小、数量和步长。但当我了解到过滤器时，它说每层的过滤器提取不同的特征，如边缘、角落等

我的问题是，我们是否可以明确指定过滤器，我们应该提取哪些特征，或者图像的哪个部分更重要等等

---

所有的解释都是说，我们将输入图像的一小部分用卷积的方法在其上滑动。如果是这样的话，我们是否需要对图像的所有部分进行卷积呢？

我认为您可能会混淆过滤器和通道。滤波器是卷积中的权重窗口大小，可用于从卷积输出生成通道。通常，这些通道代表不同的特征：

在这个汽车识别示例中，您可以看到一些早期的通道拾取汽车的引擎盖、车门和其他边界。很难真正指定网络正在提取哪些特征。如果您已经了解对网络很重要的特征，可以将其作为附加遮罩层或使用某种类型的权重矩阵输入

我们是否可以明确指定过滤器，我们应该提取哪些特征，或者图像的哪个部分更重要等等

当然，这是可以做到的。但CNN的优势在于，它们可以自己学习最好的特性（或者至少是非常好的特性；比我们在大多数情况下能想出的更好的特性）

一个著名的例子是ImageNet数据集：

2012年，使用了第一个端到端的CNN。端到端意味着网络在一端获取原始数据作为输入，在另一端获取优化目标

在CNNs之前，计算机视觉社区多年来一直使用手工设计的功能。在2012年AlexNet之后，没有人这样做（对于“典型”的计算机视觉，有些特殊应用仍然值得一试）

所有的解释都是说，我们将输入图像的一小部分用卷积的方法在其上滑动。如果是这样的话，我们会把图像的所有部分都卷积起来吗

它总是用一个小滤波器卷积的完整图像。卷积运算是局部的，这意味着您可以并行计算其中的大部分，因为左上角的卷积运算的结果不是局部的

---

取决于左下角的卷积。

非常感谢您的回复