根据训练CNN的目的，最后一层滤波器在检测人脸、手写字体等时可能会被激活[1]。 但是，在输入下一个卷积层之前，由于这个激活图集合的数据量庞大，参数数量多，所以需要一定程度的剪辑。 简而言之，训练CNN在很大程度上训练了每个卷积层的滤波器。

首先，输入图像，该图像具有由每层卷积输出的一组向量。 也就是说，完全由随机过滤器构建的网络的输出，如本图所示，概率上可以认为是10个类别之一。 由于所有联结层输入的数据都是经过反复提炼的结果，输出的分类质量要高得多。

1、卷积神经网络股价预测

这也是深度学习技术最吸引人的地方。 与机器学习中极其复杂的人工特征提取相反，它不仅不需要人工进行特征提取，而且可以更快、更高维地表达特征，提高学习的精度和速度。 CNN广泛应用于图像识别、语音识别等各种场合，在图像识别竞赛中，大多数基于深度学习的方法都是以CNN为基础的。 例如，AlexNet、VGGNet、Google Inception Net和微软的ResNet。

2、股票预测之bp神经网络

即，这种改变这些滤波器的形式(改变滤波器矩阵的值，即加权) ——可以识别特定的特征。 例如，第二卷积层的输入实际上首先是层的输出(滤波器激活图)，该层中的滤波器用来检测低价特征的组合等，通过这种方式来检测越来越复杂的特征。 例如，平滑图像将平滑8个典型区域，并且生成的每个值都来自原始对应位置及其周围8个元素与3X3矩阵的乘积。

3、神经网络算法预测股票走势

想想看。 如果有一只无意识猴子，完全随机修改了5X5滤波器矩阵的25个值，它经过完全固定的轮流后，该滤波器可能会检测到角等特征。 这里有问题。 当滤波器的一个感觉区在图像上通过时，就会产生一个权重。 那么，已知大小的滤波器在这个图像上，一共会产生多少组结果呢？

4、卷积神经网络选出的股票有用吗

该网络层相当于多层感知机( Multi-Layer Perceptron，简称MLP )，在整个卷积神经网络中作为分类器。 不如预想一下认识的问题吧。 我们必须识别图像中某个特定的曲线。 也就是说，该滤波器对该曲线具有较高的输出，对其他形状具有较低的输出。 这就像是神经元的激活。 例如，我们可以训练用于分类的神经网络，以判定输入图像中的物体是最有可能的10种哪一种。

通过前面多个卷积-激活-池化层的迭代处理，要处理的数据特性得到了显著提高。 计算方法如下。 ( W-F 2P )/S 1。 其中，w表示输入数据的大小、宽度或长度，f表示感知域的大小，s表示步长，p表示边界填充0的数目。