卷积神经网络通常从训练数据中学习有用的特征。第一个卷积层方法学习到的特征往往是视任务而定的一些训练数据的基本元素。例如，在图像数据中，学习到的特征可以体现边缘和斑点。在后续的网络层中，这些学习到的特征可以表现更加抽象，更高主要方级的特点。
对任何一组参数 (卷积核) 或我哪些们所能想到的输入数据，线性滤波器都具有良好定义的操作。
学习任务可以被转化为最小化线性滤波器的输出与卷积神经网络的输出的均方误差的最小化问题：
处理图像数据的线性滤波器的参主要方数被称为卷积核。我们的实验采用称为 Sobel 算子的的 3 x 3 的特点卷积核来对图像数据进行滤波，操作顺序为先主要沿 x 方向再沿 y 方向。Sobel 算子为：
我们使用基于 TensorFlow 的 Keras 框分架实现这些实滤波验。
城市和自然景观类的数据来作为训练和测试数据 - 数据集（Oliva, A.有 & Torralba, A. (2001).Modeling the Shape of the Scene: A H分olistic R主要epresentation滤波器 of the图像 Spatial Envelope）由麻省理工学院麻省理工学院计算视觉认知实验室收集整理。
原始图像（左），灰度图像（中间）以及在 x 方向滤波上进行有 S的obel 滤波后的图像（右）。
在训练结滤波器束后，我们可以画出训练和验证的损失值来观察训练是否过拟合。
训练过程中的训练损失和验证损失是平稳的，模型看上去似乎是收敛的。
现类和在我们可以可视化每一个图像轮次，能够为每一个轮次创建一个动图，观察权重是如何下降的。
模型的卷积层权重哪些被训练后，权重值收敛到接近 x 方向上的 Sobel 算子。
左边是模型类和的输出，右边是同一幅图像上，x 方向的 Sobel 滤波器的结果。
原始图像（左侧），灰度图像（中间）和 y 方向上的 Sobel 滤波图像（右侧）
模型训练卷积层权重的过程，权重值收敛到接近于特点 y 方向上的 Sobel 算子。
模型的输出（左边）和相同图像 y 方向 Sobel 滤波器的结果（右边）
笑脸滤波器
之前学习的 Sobel 滤波器非常的简单，仅需要学习非常少量的参数。现在我们看一方法下我们能不能学习一个有着更大卷积核的滤波器。
......
不同领域包括计算机视觉，语音语义，区块链，自动驾驶，数据挖掘，智能控制，编程语言等每日更新。
雷锋网雷锋网
雷锋网雷锋
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至123456@qq.com 举报，一经查实，本站将立刻删除。
