Machine learning 当CNN在反向传播过程中学习一组特征时，比较什么？

我对这门学科比较陌生，读了很多书。我特别困惑的是，CNN是如何在训练数据集中学习其特定标记特征的过滤器的

成本是通过逐像素计算的，哪些输出应该或不应该是活动的？如果是这样的话，在向下采样之后，如何将激活映射到标记的数据

---

对于任何错误的假设或普遍的误解，我深表歉意。再一次，我是这个领域的新手，非常感谢所有的反馈。

我将把它分成几个小部分

成本计算——成本/错误/损失仅取决于将最终预测（最后一层的输出）与标签（地面真相）进行比较。这是衡量预测正确与否的标准

层间结构——预测的每个输入都是前一层的输出。这个输出有一个值；两者之间的联系有其重要性

Back prop——每个权重都会根据误差比较及其权重按比例进行调整。有助于做出正确预测的关联会得到回报：其权重在数量级上增加。相反，推动错误预测的连接会减少

像素级控制——为了澄清术语。。。传统上，每个内核都是浮点值的平方矩阵，每个浮点值都被称为“像素”。像素被单独训练。然而，这种训练来自于在内核上滑动一个较小的过滤器（也是正方形的），执行窗口与内核相应的方子矩阵的点积。该点积的输出是下一层中单个像素的值

当层

N

中像素的强度增加时，这有效地增加了提供该输入的层

N-1

中滤波器的影响。该过滤器的像素依次由层

N-2

的输入进行调整

---

欢迎来到StackOverflow。请按照创建此帐户时的建议，遵循帮助文档中的过帐指导原则，而且。。。在这里申请。StackOverflow不是设计、编码、研究或教程资源。有许多网站可以引导您完成这一过程的各个部分；要求我们总结超出堆栈溢出的范围。感谢您的反馈。现在读我的帖子，我仍然不明白我是如何要求对任何事情进行总结的。我问了一个尖锐的问题，应该有一个尖锐的答案。如果您知道回答我问题的现有文档，请分享@我有一种强烈的感觉，考虑到你的背景，你可以简明扼要地回答我的问题。我真正想知道的是，权重是在逐像素的基础上受到影响，还是在整体上受到特征的影响（不管这个过程如何）；那我们就这样试试吧。我将给出一个我认为确实适合堆栈溢出的答案，我们将看看它是否回答了您头脑中的问题。给我一两个小时。。。