Neural network 卷积神经网络，卷积矩阵（核）

下午好！在第一阶段，在卷积神经网络（输入层）的输入上，我们接收源图像（因此是手写英文字母的图像）。首先，我们使用一个从左到右的nxn窗口来扫描图像，并在内核上进行乘法（卷积矩阵）来构建特征映射？但没有人写过内核应该有什么精确值（换句话说，我应该将从n*n窗口检索到的数据相乘到什么内核值）。是否适合在用于边缘检测的卷积核上乘以数据？有很多卷积核（浮雕、高斯滤波器、边缘检测、角度检测等）？但是，没有哪一个内核被写入检测手写符号所需的乘法数据

此外，如果整个图像的大小为30*30，那么是否可以使用5*5的窗口来构建要素地图？这是否足以达到字母检测的最佳精度

---

在哪个精确的内核上，最好将整个图像的面积相乘，以获得最大的字母识别精度？或者最初内核中的所有值都等于0？我还想问一下，应用什么公式或规则来检测待构建要素地图的总体需求量？或者，如果任务是在英语字母识别中，那么在特征图构建过程的每个阶段必须有精确的25个特征图？谢谢你的回复

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，使用小的随机值，并在接收其输出的所有特征（即通常卷积层输出中的所有“像素”）上对反向传播的权重增量求和

一个典型的随机内核的性能有点像边缘检测器

训练后，可以显示第一层CNN，如果熟悉图像处理，通常会学习一些可以解释的内核

这里有一个正在学习的内核功能的动画视图：

简而言之，您的答案是：不需要寻找正确的内核来使用。相反，寻找一个CNN库，在那里你可以设置参数，比如卷积层的数量，并研究如何在内核学习时查看它们——大多数CNN库都有一个文档化的方法来可视化它们