如果有什么灵感或见解，欢迎发表评论。 如果有不明白的地方就在评论区域评论。 仔细解答。 由于该区域本身存在弧线，弯曲程度和滤波器的弯曲程度非常相似，因此发现图像该区域的像素和滤波器矩阵的点相加值较高。 子采样层( subsampling layer )也称为收敛层，前一级卷积层的输入简档大小经过该子采样层的聚合，即池化而减小。

例如，在对图像进行平滑之后，进行典型的8个区域的平滑，并将得到的值取自原始对应位置和其周围8个元件与1个33矩阵的乘积。 首先，通过卷积处理输出的矢量

1、卷积神经网络激活函数的作用

例如，对于32x32x3 (宽32像素x高32像素xRGB的3个通道)的图像，如果定义在CNN的第一个卷积层中训练12个滤波器，则该层的输出为32X32X12。 根据任务的不同，可以对该输出进行进一步的处理，包括激活函数、池化和所有连接。 深度学习的巨大进步得益于深层网络的广泛应用，特征提取能力是整个深层网络学习的基础，只有提取图像中的特征才能在深层网络中学习这些特征。

2、卷积神经网络的基本概念及原理

同样重要的是，左上角的四个网格中的噪波(如115 )会减少，从而影响模型的最后表示。 年，Alex Krizhevsky在卷积神经网络中获得了当年的冠军，他将照片分类误差从原来的26%降低到了15%，在计算机视觉领域引起了不小的关注。 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。

3、卷积神经网络详细讲解

第3章介绍前馈神经网络时，相邻两层之间，前一层的各神经元(或输入层的各单元)和后一层的各神经元连接在一起，称之为全连接。 例如，在下图中，图像的长度w和h都为32，感受野的大小f为5，s步骤是该感受野一次跨越的像素的点数，若假定为1，则在下图中输出的数据的长度为( W-F 2P )/S 1，若假定为l，则

现在我有了鼠标的图像。 (因为只考虑了灰度，所以只有一层。 现在，使用该过滤器过滤该鼠标的图像，依次滑过原始图像的某个区域，与该区域的原始像素值进行点乘法运算。 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？