关键词：
实质理解：
训练过程：
CNN在做卷积的时候，每一层的输出（可理解为形成的高维特征向量）是通过卷积的前向传播算法和反向传播算法（也就是梯度下降算法），结合真实的标签（前向传播结果与真实标签做误差），
将前向传播的结果无限逼近具有真实标签，在此过程中不断的更新权重，形成具有真实标签类别信息的权重矩阵。
预测过程：
利用训练高的权重矩阵去计算预测的输入数据，并产生一个结果，这个结果就是预测数据的类别或预测值。
理解：
从上述过程中可以得到以下结论：
预测过程----->就是为了得到适合该类数据的权重矩阵
预测过程----->利用得到的权重矩阵去计算预测结果
进一步说明：求解权重矩阵的过程与具体用什么神经网络模型结构没什么关系，任何的神经网络模型都可以用来求解这个权重矩阵，关键的问题在于，有些网络的参数过多，不好训练，或者根本训练不了，不收敛或者过拟合，导致最终的精度不够。
所以模型的选择在于易训练的网络模型结构即可；理论上说网络越深，效果越好。但是容易过拟合。
所以可以根据数据的特点来选择模型结构、CNN或RNN，卷积核心是正方形或者其他形状的。如图像数据，用CNN训练，模型可用LeNet,VGG,ResNet,GoogleNet等，文本数据可用CNN，RNN，LSTM等。上述模型各有特点，主要还是在卷积核心
和训练参数数目上的优化。还有更多的模型，可自行查阅。
cnn中感受野（receptivefield）的计算和理解
...受野大小，(l_k-1)表示第k-1层感受野的大小(f_k)表示当前层卷积核的大小，(s_i)表示第i层的步长。二、实例三、使用小卷积核，和同等感受野的大卷积核，有何优势?参数更加少可以使得通道更深，更好的表现非线性关系例如，一... 查看详情
cnn卷积理解
首先输入图像是28*28处理好的图。第一层卷积：用5*5的卷积核进行卷积，输入为1通道，输出为32通道。即第一层的输入为：28*28图，第一层有32个不同的滤波器，对同一张图进行卷积，然后输出为32张特征图。需要32张特征图原因... 查看详情
卷积神经网络(cnn)基础介绍
本文是对卷积神经网络的基础进行介绍，主要内容包含卷积神经网络概念、卷积神经网络结构、卷积神经网络求解、卷积神经网络LeNet-5结构分析、卷积神经网络注意事项。一、卷积神经网络概念 上世纪60年代。Hubel等人通过对... 查看详情
理解cnn卷积层与池化层计算
概述深度学习中CNN网络是核心，对CNN网络来说卷积层与池化层的计算至关重要，不同的步长、填充方式、卷积核大小、池化层策略等都会对最终输出模型与参数、计算复杂度产生重要影响，本文将从卷积层与池化层计算这些相关... 查看详情
cnn中的卷积理解和实例
卷积操作是使用一个二维卷积核在在批处理的图片中进行扫描，具体的操作是在每一张图片上采用合适的窗口大小在图片的每一个通道上进行扫描。权衡因素：在不同的通道和不同的卷积核之间进行权衡在tensorflow中的函数为例... 查看详情
对卷积神经网络(cnn)的理解——深度学习
...ofConvolutionalNeuralNetwork(CNN)—DeepLearning--Prabhu在神经网络中,卷积神经网络(ConvNetes或CNN)是用于图像识别、图像分类的主要类别之一。在对象检测(Objectdetection)、人脸识别(recognition)等领域被广泛使用。CNN图像分类将图像作为输入,对其... 查看详情
理解nlp中的卷积神经网络（cnn）
...的时间，如果您有收获，请点赞关注：）一、理解NLP中的卷积神经网络（CNN）现在当我们听到神经网络（CNN）的时候，一般都会想到它在计算机视觉上的应用，尤其是CNN使图像分类取得了巨大突破， 查看详情
pytorch中实现cnn，对cnn的理解心得
将卷积核与图像进行卷积是在空间上滑动图像，计算点积卷积核总是扩展输入卷的全部深度卷积层在卷积核和图像的一个小的5x5x3块之间取一个点积的结果对所有空间位置进行卷积（滑动）卷积神经网络是一个卷积层... 查看详情
如何使用 Keras 将一维输入提供给卷积神经网络（CNN）？
】如何使用Keras将一维输入提供给卷积神经网络（CNN）？【英文标题】：Howtogivethe1DinputtoConvolutionalNeuralNetwork(CNN)usingKeras?【发布时间】：2018-07-2906:53:56【问题描述】：我正在使用Keras库解决卷积神经网络(CNN)的回归问题。我经历了... 查看详情
pytorch中实现cnn，对cnn的理解心得
将卷积核与图像进行卷积是在空间上滑动图像，计算点积卷积核总是扩展输入卷的全部深度卷积层在卷积核和图像的一个小的5x5x3块之间取一个点积的结果对所有空间位置进行卷积（滑动）卷积神经网络是一个卷积层... 查看详情
cnn基础转置卷积学习笔记(代码片段)
目录1.转置卷积的直观理解1.1卷积和转置卷积2.转置卷积的计算过程2.1思路一：将转置卷积看成几个矩阵相加2.2思路二：转置卷积是一种卷积3.如何计算转置卷积输出featuremap的size1.转置卷积的直观理解1.1卷积和转置卷积卷... 查看详情
[人工智能-深度学习-27]：卷积神经网络cnn-核心概念（卷积滑动填充参数共享通道）
...;https://blog.csdn.net/HiWangWenBing/article/details/120806277目录第1章卷积中的“积”的定义1.1卷积中的“积”是内积第2章卷积中的“卷”的定义2.1在滑动中“卷”积2.2滑动的步长第 查看详情
卷积神经网络cnn
...，谢谢！http://blog.csdn.net/zouxy09/article/details/8775360什么是卷积卷积假设改名为“加权平均积”，就会非常好理解了。卷积的离散形式就是经常使用的加权平均。而连续形式则可理解为对连续函数的加权平均。假如我们观測或计算... 查看详情
卷积神经网络之卷积层理解(持续更新)(代码片段)
目录一、初识卷积层二、图片卷积的过程(以步长为1，无填充情况为例) 三、卷积的填充 四、卷积的步长 五、卷积的输出大小计算六、卷积的感受野 七、卷积层的深度一、初识卷积层 卷积层是CNN(ConvolutionalNeuralNetwork... 查看详情
如何理解graphconvolutionalnetwork（gcn）
...联系与区别——GCN从入门到精（fang）通（qi）了解GCN（图卷积神经网络）之前，必须对离散卷积（具体说就是CNN中的卷积）有个清楚的认识。如何通俗易懂地解释卷积？，离散卷积本质就是一种加权求和。如图1所示，CNN中的卷... 查看详情
卷积神经网络（cnn）
卷积神经网络介绍卷积神经网络是一种多层神经网络，擅长处理图像特别是大图像的相关机器学习问题。最典型的卷积网络，由卷积层、池化层、全连接层组成。其中卷积层与池化层配合，组成多个卷积组，逐层提取特征，最终... 查看详情
利用cnn神经网络实现手写数字mnist分类(代码片段)
...ainingtime.一、单机单卡实现mnist_CNN1、CNN的理解 概念：卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习代表算法之一。 基本结构： 输入层——【卷积层——激活函数层——池化层】... 查看详情
算法cnn（卷积神经网络）详解！
CNN的概念卷积神经网络（ConvolutionalNeuralNetworks/CNNs/ConvNets）与普通神经网络非常相似，它们都由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分类的分数。CNN的... 查看详情