无法理解 Conv 网络中的过滤器是如何计算的
Can't understand how filters in a Conv net are calculated
学习机器学习4个月，了解MLP背后的概念。当我开始阅读有关卷积神经网络的内容时，问题就来了。让我告诉你我所知道的然后问我有什么问题。
一个CNN的核心部分是：
- 卷积层： 你有 "n" 个过滤器用于生成 "n" 个特征图。
- RELU层：你用它来归一化卷积层的输出。
- 子采样层：用于"generating"表示更抽象概念的新特征图。
重复前 3 层几次，最后一部分是普通分类器，例如 MLP。
我的疑惑如下：
- 如何创建在卷积层中使用的过滤器？我必须创建一个过滤器，对其进行训练，然后将其放入 Conv Layer，还是使用反向传播算法对其进行训练？
- 假设我有一个带有 3 个过滤器的 conv 层，那么它将输出 3 个特征图。应用 RELU 和子采样层后，我仍然会有 3 个特征图（较小的）。再次通过Conv Layer时，如何计算输出？我是否必须分别在每个特征图中应用过滤器，或者对 3 个特征图进行某种操作然后求和？我不知道如何计算第二个 Conv Layer 的输出，以及它将输出多少个特征图。
- 如何将数据从 Conv 层传递到 MLP（用于 NN 最后一部分的分类）？
如果有人知道无需使用框架即可简单实现 CNN，我将不胜感激。我认为了解东西如何工作的最好方法是自己动手做。换个时间，当你已经知道东西是如何工作的时候，你可以使用框架，因为它们可以节省你很多时间。
- 你用反向传播算法训练它，就像你训练 MLP 一样。
- 您分别应用每个过滤器。例如，如果第一层有 10 个特征图，第二层的其中一个特征图的过滤器形状为 3*3，则对第一层的十个特征图应用 3*3 过滤器，每个特征图的权重不同，在这种情况下，一个过滤器将具有 3*3*10 权重。
为了更容易理解，请记住非灰度图像的像素具有三个值 - 红色、绿色和蓝色，因此如果您将图像传递给卷积神经网络，那么在输入层中您已经拥有 3 个特征映射（对于 RGB），因此下一层中的一个值也将连接第一层中的所有 3 个特征图
- 你应该展平卷积特征图，例如，如果你有 10 个大小为 5*5 的特征图，那么你将有一个具有 250 个值的层，然后与 MLP 没有什么不同，你连接所有这些人工神经元到下一层所有人工神经元的权重。
Here有人在没有框架的情况下实现了卷积神经网络。
我也会推荐你 those 讲座。
学习机器学习4个月，了解MLP背后的概念。当我开始阅读有关卷积神经网络的内容时，问题就来了。让我告诉你我所知道的然后问我有什么问题。
一个CNN的核心部分是：
- 卷积层： 你有 "n" 个过滤器用于生成 "n" 个特征图。
- RELU层：你用它来归一化卷积层的输出。
- 子采样层：用于"generating"表示更抽象概念的新特征图。
重复前 3 层几次，最后一部分是普通分类器，例如 MLP。
我的疑惑如下：
- 如何创建在卷积层中使用的过滤器？我必须创建一个过滤器，对其进行训练，然后将其放入 Conv Layer，还是使用反向传播算法对其进行训练？
- 假设我有一个带有 3 个过滤器的 conv 层，那么它将输出 3 个特征图。应用 RELU 和子采样层后，我仍然会有 3 个特征图（较小的）。再次通过Conv Layer时，如何计算输出？我是否必须分别在每个特征图中应用过滤器，或者对 3 个特征图进行某种操作然后求和？我不知道如何计算第二个 Conv Layer 的输出，以及它将输出多少个特征图。
- 如何将数据从 Conv 层传递到 MLP（用于 NN 最后一部分的分类）？
如果有人知道无需使用框架即可简单实现 CNN，我将不胜感激。我认为了解东西如何工作的最好方法是自己动手做。换个时间，当你已经知道东西是如何工作的时候，你可以使用框架，因为它们可以节省你很多时间。
- 你用反向传播算法训练它，就像你训练 MLP 一样。
- 您分别应用每个过滤器。例如，如果第一层有 10 个特征图，第二层的其中一个特征图的过滤器形状为 3*3，则对第一层的十个特征图应用 3*3 过滤器，每个特征图的权重不同，在这种情况下，一个过滤器将具有 3*3*10 权重。
为了更容易理解，请记住非灰度图像的像素具有三个值 - 红色、绿色和蓝色，因此如果您将图像传递给卷积神经网络，那么在输入层中您已经拥有 3 个特征映射（对于 RGB），因此下一层中的一个值也将连接第一层中的所有 3 个特征图
- 你应该展平卷积特征图，例如，如果你有 10 个大小为 5*5 的特征图，那么你将有一个具有 250 个值的层，然后与 MLP 没有什么不同，你连接所有这些人工神经元到下一层所有人工神经元的权重。
Here有人在没有框架的情况下实现了卷积神经网络。
我也会推荐你 those 讲座。