Python 卷积神经网络？

我正在做一个“情绪检测”项目

作为制作完整产品的第一步，我们从图像处理开始。我从互联网上了解到，卷积神经网络是最好的方法

import cv2
import numpy as np
def sum_cnn(image,x,y):
    x1,y1=np.shape(image)
    temp=image

    for i in range(0,x1-x):
        for j in range(0,y1-y):
            temp1=np.sum(image[i:i+x,j:j+y])/(x*y)
            if temp1 in range(850000,1100000):
                cv2.rectangle(temp, (i, j), (i+20, j+20), (0, 255, 0), 2)
                print "\n"


    return temp


image =cv2.imread('test.jpg')
image=cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image=np.matrix(image)

temp=sum_cnn(image,95,95)

cv2.imshow('Processed Video', temp)
cv2.imwrite('1.jpg',temp)

print "Done"

上面是我写的代码-值（8500011000）是矩阵的一个卷积范围的和的值（对不起，代码很粗糙，我今天早上开始写）

我要问的问题是，如何设计或获得一个矩阵来存储权重

1） 对于每种对象检测，我只能使用一个矩阵（例如，一个粗糙的单层CNN，它将为“汽车”和“脸”提供不同的值），还是应该为“汽车”和“脸”使用单独的矩阵

2） 如何处理同一物体的不同尺寸？我在互联网上看到的一个解决方案是不断调整原始图像的大小。我想知道是否有更快的方法

---

3） 在反向传播中，我们给出的获得优化权重矩阵的粗略条件是什么？

首先，如果你认真计划使用神经网络，我会 建议您从以下内容开始。那一页对我来说真是太好了 我会说，从神经网络开始吧。曾经有过基本的 了解神经网络你可以尝试使用一个框架 或者想建立一个CNN

老实说，我不太确定你的代码是关于什么的，但我会试试看 尽我所能回答你的问题

我猜你是在谈论权重矩阵。多棒的CNN啊 在其卷积层中所做的是：“提取特征”。那是什么 大家都这么说。但是tbh。。。这不是一个容易量化的值。所以 您有多少个过滤器映射（权重矩阵在CNN中称为过滤器映射） 需求取决于您的用例。因此，你可能不得不坚持下去 使用测试和验证集跟踪和出错以调整 您的过滤器通常映射或更确切地说映射超参数

这是一部由克里哲夫斯基、萨茨基和辛顿创作的《酷》 他们用GPU做了一些疯狂的事情，并将他们的图像固定到一个 一定尺寸。如果你找到一个好办法来绕过这个限制，请 告诉我

你通常想要做的是防止过度装配。有多个 研究人员想到的实现这一目标的方式和方法。 辍学、保持低体重或训练前等等

我再次建议您从给定的来源开始。会成功的 比你听我漫无目的地谈论更容易理解 一些我自己可能无法完全理解的技术术语

亲切问候,

---

附言：请随意纠正我

我同意这一点。CNN可能不是你可以直接写下来的东西。相应的斯坦福课程是一个很好的学习和理解的来源：所有材料，包括教程和代码都是开放的。由于您已经进入Python世界，Tensorflow也是一个很好的库，特别是因为有许多现有的CNN示例和所有其他类型的神经网络可用，您可以使用它们进行定位。