计算机视觉：卷积核的参数是如何得到的？-Toy模板网

这篇具有很好参考价值的文章主要介绍了计算机视觉：卷积核的参数是如何得到的？。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

本文重点

卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，其主要特点是使用卷积层来提取特征。卷积层的核心是卷积核，也称为滤波器（filter）。卷积核是一个小的矩阵，通过卷积操作将输入数据中的特征提取出来。卷积核的参数是如何学习得到的呢？

卷积核其实就是参数

我们前面学习了卷积核在特征提取的作用，我们知道了不同的卷积核提取得特征是不同的，科学家通过常年的研究已经总结出了一些常用的卷积核，比如可以进行纹理提取的卷积核，可以垂直边缘检测的卷积核，那么在搭建卷积神经网络中，不需要我们人为的指定使用什么样的卷积核提取特征，卷积核作为参数可以在反向传播中自己学习到，有时候卷积核提取的特征是什么？我们可能根本不理解。

卷积核里面的参数怎么来的,计算机视觉,深度学习,人工智能,计算机视觉,机器学习,卷积神经网络

如图所示是一个3*3的卷积核，它有9个值，不同的值决定了卷积核的不同，那么卷积核提取的特征也就是不一样的。

现实使用中，它的值会作为参数在反向传播中进行更新，卷积核的参数通过训练得到，也许有的时候训练出来的卷积核做了什么，可能我们也不知道，我们可以理解为它做了一件类似垂直边缘检测的操作，也就是提取了某一部分的特征，可能比单纯的边缘检测要复杂了很多，以检测出45°或70°或73°等等，甚至是任何角度的边缘。

总结

在模型学习过程中，更多时候会自动学习到胜过任何之前这些已经确定功能的过滤器。因为神经网络总会根据数据自动学习适合数据的卷积核参数。也就是说，当我们使用卷积核的时候，我们不一定要去使用那些研究者们所选择的这九个数字，而是应该把这矩阵中的 9 个数字当成 9 个参数，然后具体这9个参数是什么？应该由数据决定，并且在之后使用反向传播算法，其目标就是去学习这9 个参数，这9个参数就确定了该过滤器的功能。文章来源地址https://www.toymoban.com/news/detail-575561.html

到了这里，关于计算机视觉：卷积核的参数是如何得到的？的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！