CNN 的过滤器是如何学习的？答案

【问题标题】：How are filters for CNNs learned?CNN 的过滤器是如何学习的？
【发布时间】：2017-05-25 17:13:39
【问题描述】：

我了解输入（比如说图像）通过 CNN 前向传递、卷积和下采样。然后，在一个全连接层，根据它产生的最终权重分配一个标签。在训练中，计算出一个 E 误差变量，以便我们可以利用梯度下降（或其他一些优化函数）来调整权重，使得 E 接近零。

过滤器在这个过程中从哪里学到的？我不明白过滤器如何从高斯噪声变为线条、角落和颜色。然后我想这些过滤器被明确写到一个文件中进行测试，对吗？

【问题讨论】：

【解决方案1】：

从 CNN 学习的每个内核都是创建这些特征（线、角等）的过滤器。

让我们以 Sobel 为例，Sobel 使用特定的核对图像进行卷积，使用该核我们可以恢复图像在 X 和 Y 中的梯度，用作边缘检测器。但是，如果这些特征（线）不是我们想要恢复的唯一想法，或者它不是我们特定问题的理想特征，那又如何呢？因此，我们可以学习这些内核并创建不同的图像。

从内核创建的这些图像称为特征图，可以使用different techniques 进行可视化，我真的建议观看该视频，因为您可以更好地了解 CNN 正在学习的特征是什么，并看看这个@987654322 @。

学习此过滤器的一种方法是让您知道预期的输出是什么。您可以将图像与随机值（过滤器/权重中的第一个值）进行卷积，然后学习这些值，直到获得更好地预测您的训练集的东西，因此，您可以学习什么是最好的，而不是使用典型的 sobel内核/过滤器以恢复更能代表您的图像的特征。

所以，这些过滤器最终就是您刚刚学习的网络的权重。

【讨论】：

所以我知道这个过程会发生，但我的主要问题是数学是如何实现的。对于 NN 中单个权重的反向传播，您可以对损失函数求导，然后迭代到所述函数的最小值。对于过滤器，您是否会调整过滤器中的每个值，然后再次应用过滤器以查看结果？这似乎计算量很大。