另外，实验中最好的卷积模型非常大，需要很多时间进行训练。 首先作者构建了两个plain网络。 这两个网络分别在18层和34层，之后作者又设计了两个残差网络。 层数也分别为18楼和34楼。 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。

雷锋网AI科技评论称，UBER AI Lab的最新研究发现卷积神经网络在处理坐标变换问题上存在惊人的“无能”缺陷，并提出了简单的CoordConv策略来修复该缺陷。 在训练集中互联网的精度是完美的，但在测试集中只有86%。 更令人惊讶的是，大多数测试集中的像素都被训练集中的像素包裹着。

1、卷积神经网络图像识别
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。 如果卷积滤波器能同时识别吃豆的女人并提取她在迷宫中的位置，他认为算法可能有助于学习更好的策略。

2、卷积神经网络的训练

VGG网络问世已有几年，但在许多其他网络效果不理想的情况下，VGG有时会发挥其优势，取得意想不到的成果。 如何实现卷积层的前向计算是一个由来已久的问题，贾扬清大神对这个问题做了比较明确的说明，可以作为查询下如何用Caffe计算卷积的参考。 例如，训练相同的数据集合中的对抗网络( GAN )的生成以通过训练的鉴别器提供损失。

3、卷积神经网络动画演示

介绍了卷积神经网络发展史上著名的模型，这些模型非常经典，各有优势。 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。 图中可以清楚地看到整个网络的变化。 这样，网络就不是简单的堆栈结构，它很好地解决了由于网络层数增加导致的梯度本来就不明显的问题。

4、如何训练一个卷积神经网络

下图11所示的插值视频显示了CoordConv如何改善生成模型的性能。 其中，左边是普通生成对抗神经网络，右边是CoordConv生成对抗神经网络。 因此，此时可以加深网络，此前可以增加网络层数，从而保证了较好的效果。 另外，从可视化结果来看，训练集中的网络结果也不是很完美。 因为对象像素周围有误判。 卷积：如果有图像处理的基础，我想你一定不知道卷积操作。
随着ReLU和dropout的提出，以及GPU计算能力的突破、互联网时代大数据的爆发、卷积神经网络历史的突破，AlexNet的提出将深度学习推向了人工智能的前沿。