Python 2.7 卷积神经网络？
好的，我开始理解神经网络的概念，但我仍然无法理解卷积神经网络的用途/优点/实现，尤其是在图像处理方面 我不明白的是如何检测不同大小的物体 假设我们有一个50*50的权重矩阵，训练集中有一张50*50大小的脸。 现在，当你取矩阵的加权和时，它将返回一个特定的值，比如“X”。 现在我明白了，这个想法是在整个图像上运行权重矩阵，在一个区域上得到一个锁，这个区域的加权和是~“X”，现在你已经检测到一张脸了 如果上述理解是正确的，那么大小为25*25的图像将如何产生一个从任意位置克隆到“X”的值呢。因此，基本问题是如何处理图像的相对大小 如果可能的话，请为同样的问题推荐一些好的教程。我发布了一篇类似的文章，并且弹出了你的文章，因此有一些想法，尽管这是一个老问题：Python 2.7 卷积神经网络？,python-2.7,image-processing,neural-network,convolution,conv-neural-network,Python 2.7,Image Processing,Neural Network,Convolution,Conv Neural Network,好的，我开始理解神经网络的概念，但我仍然无法理解卷积神经网络的用途/优点/实现，尤其是在图像处理方面 我不明白的是如何检测不同大小的物体 假设我们有一个50*50的权重矩阵，训练集中有一张50*50大小的脸。 现在，当你取矩阵的加权和时，它将返回一个特定的值，比如“X”。 现在我明白了，这个想法是在整个图像上运行权重矩阵，在一个区域上得到一个锁，这个区域的加权和是~“X”，现在你已经检测到一张脸了 如果上述理解是正确的，那么大小为25*25的图像将如何产生一个从任意位置克隆到“X”的值呢。因此，
- 通常，神经网络中有多个权重矩阵（即多个层），因此“在区域上锁定”通常过于简单。对神经网络“重要”的特征可能很复杂
- 卷积网络的主要特征之一是简化和“下采样”权重矩阵（称为池），如我的类似问题的答案所述
- 用于识别图像的神经网络的输入可能变化很大，您并不总是需要逐像素输入。您可以进行的许多缩减之一是使用放置在图像上的向量（）
- 这里有一个建议给我/给了我很多帮助
- 通常，神经网络中有多个权重矩阵（即多个层），因此“在区域上锁定”通常过于简单。对神经网络“重要”的特征可能很复杂
- 卷积网络的主要特征之一是简化和“下采样”权重矩阵（称为池），如我的类似问题的答案所述
- 用于识别图像的神经网络的输入可能变化很大，您并不总是需要逐像素输入。您可以进行的许多缩减之一是使用放置在图像上的向量（）
- 这里有一个建议给我/给了我很多帮助