CNN是怎么做到的自己学特征不用人提取的B-M21 · 2026-09-26 · 原对话 ↗
那多层mlp和cnn有什么区别呢B-M75 · 2026-09-26 · 原对话 ↗
原 AI 解释 · 摘要
B-M22 把卷积核解释为可训练的特征提取器:前向得到结果,损失衡量误差,反向传播计算梯度,优化器调整参数。B-M76 再用局部连接与权重共享对比全连接网络。
整理核对
“自己学特征”指卷积核数值随训练变化;结构、数据、损失等仍由设计者选择。卷积把局部邻域与共享权重写进结构,给图像任务一个有用的归纳偏置。浅层边缘、深层部件是常见观察,不是每一层必须遵守的岗位表。
两处重要修正
展平图像不会在数学上删除所有像素信息,只是普通全连接层不显式利用二维邻接关系。卷积通常具有平移等变性,并不自动让整个分类系统对所有平移严格不变。
一个可验证的尺寸例子
RGB 输入的一个 3×3 卷积核通常含 3×3×3 个权重;若有 C_out 个输出通道,总权重为 C_out×C_in×3×3,另可有偏置。原回答“一个核只有 9 个参数”只适合单输入通道的简化例子。
继续追问 · 整理者建议
选一层卷积,分别写出输入尺寸、核尺寸、输出尺寸和参数数目。把“网络在学特征”的直觉落实为一个真实计算。