大家好，今天小编关注到一个比较有意思的话题，就是关于卷积神经网络结构的问题，于是小编就整理了3个相关介绍卷积神经网络结构的解答，让我们一起看看吧。
如何用最通俗语言讲解神经网络中的“卷积”？
数学中的卷积和卷积神经网络中的卷积严格意义上是两种不同的运算，数学中的卷积就不说了，卷积神经网络中的卷积本质上是一种互相关函数计算或者说图像处理中的spatial filter
古典的神经网络一般都是全连接的，也就是，每个输出节点都取决于输入数据的所有纬度，公式化为：
output=relu(W*X+B)
但是问题来了！一张300×300的RGB图像输入纬度是27万维！如果用全连接，参数矩阵W就太大了！更何况还得堆叠很多层！（一般来说，层数越多，表达能力越强，这是深度学习兴起的原因）
所以就想出了个退而求其次的方式：27万维的数据不全部连接，只连接一小块区域的值(比如3×3的卷积核只连接3×3区域的27个值(输入通道为三))。
因为卷积和池化会不断的融合近邻区域的信息，所以通过多次堆叠卷积层和池化层，最终得到高层的大区域的特征。
总结来说，卷积是一种妥协。卷积类似人大代表制，通过不断选出各层人大代表，最终选到国家领袖。而传统的全连接网络相当于普选，人手一票，只不过为个人的票重要程度不一样。
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。
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。
关注中公优就业，学习更多深度学习知识。
前馈神经网络、BP神经网络、卷积神经网络的区别与联系？
前馈神经网络就是一层的节点只有前面一层作为输入，并输出到后面一层，自身之间、与其它层之间都没有联系，由于数据是一层层向前传播的，因此称为前馈网络。
BP网络是最常见的一种前馈网络，BP体现在运作机制上，数据输入后，一层层向前传播，然后计算损失函数，得到损失函数的残差，然后把残差向后一层层传播。
卷积神经网络是根据人的视觉特性，认为视觉都是从局部到全局认知的，因此不全部***用全连接（一般只有1-2个全连接层，甚至最近的研究建议取消CNN的全连接层），而是***用一个滑动窗口只处理一个局部，这种操作像一个滤波器，这个操作称为卷积操作（不是信号处理那个卷积操作，当然卷积也可以），这种网络就称为卷积神经网络。
目前流行的大部分网络就是前馈网络和递归网络，这两种网络一般都是BP网络；深度网络一般***用卷积操作，因此也属于卷积神经网络。在出现深度学习之前的那些网络，基本都是全连接的，则不属于卷积网络的范围，但大部分是前馈网络和BP网络。
到此，以上就是小编对于卷积神经网络结构的问题就介绍到这了，希望介绍关于卷积神经网络结构的3点解答对大家有用。
