大家好，今天小编关注到一个比较有意思的话题，就是关于cnn神经网络的问题，于是小编就整理了1个相关介绍cnn神经网络的解答，让我们一起看看吧。
cnn卷积神经网络中的卷积核怎么确定？
卷积参数是模型学习出来的，卷积核的大小以及个数是人工来确定的，二维卷积卷积核大小一般是1*1，3*3，5*5，7*7这样奇数的。卷积核的个数就是网络的channel数，常见的128 256 512这种，需要根据具体任务确定。
另外最近神经网络自动搜索结构非常火，最有名的就是谷歌的NASnet，***用某种启发式遍历来寻找对于特定数据集最优的网络结构
卷积核(filter)一般是3D多层的，除了面积参数, 比如3x3之外, 还有厚度参数H（2D的视为厚度1). 还有一个属性是卷积核的个数N。
卷积核的厚度H, 一般等于前层厚度M(输入通道数或feature map数). 特殊情况M > H。
卷积核的个数N, 一般等于后层厚度(后层feature maps数，因为相等所以也用N表示)。
卷积核通常从属于后层，为后层提供了各种查看前层特征的视角，这个视角是自动形成的。
卷积核厚度等于1时为2D卷积，对应平面点相乘然后把结果加起来，相当于点积运算；
卷积核厚度大于1时为3D卷积，每片分别平面点求卷积，然后把每片结果加起来，作为3D卷积结果；1x1卷积属于3D卷积的一个特例，有厚度无面积, 直接把每片单个点乘以权重再相加。
卷积参数是模型学习出来的，卷积是图像处理常用的方法给定输入图像在输出图像中每一个像素是输入图像中一个小区域中像素的加权平均，其中权值由一个函数定义。常见的3×3，但为什么是3X3，并没有理论依据通过大量的实践测试得来的，这个大小好用核中每个参数的值是通过训练得来的训练网络旳过程也是训练参数的过程。
到此，以上就是小编对于cnn神经网络的问题就介绍到这了，希望介绍关于cnn神经网络的1点解答对大家有用。
