machine-learning - 该图像中的 CNN 训练是如何进行的？

Question

观看以下精彩视频后:https://www.youtube.com/watch?v=LxfUGhug-iQ我对滤波器的应用方式、不同 CNN 的架构等有了很好的了解。我观看了一些其他视频并阅读了论文，但我仍然有一些问题，希望有人能帮助我更好地理解这一点。

我们学习了在图像上滑动滤镜的不同方法。现在，获取点积的过程用于训练 CNN 或使用已训练的滤波器进行识别。或者用于训练和识别。

在上图中，这些过滤器是否经过训练？我知道白色代表过滤器的激活，但最后一列是否应该向我表明什么？

如果有如图所示的 5 个结果，是一些过滤器(行)专门设计用于检测图像的某些属性。 (例如，第二个过滤器查找轮胎，第三个过滤器查找车头灯，第四个过滤器查找马蹄)。例如，上面的图像有轮胎和车头灯，所以这两个过滤器被强烈映射？

Answer 1

那么，回答你的问题:

1. 点积用于训练和识别阶段。点积的计算是每次使用卷积网络时的核心操作 - 计算网络的内部值和最终值是强制性的。
2. 此图像表示与图像的一组部分或前一层的输出计算点积后不同滤波器的激活。它们被转换为灰度图像并打印出来以显示训练阶段后每个过滤器的用途。请注意，每一层之后图像的分辨率都低于前一层，并且更难理解它们可能编码的内容。它们只是显示每个过滤器被激活的位置 - 这取决于我们的解释什么可能会激活它们。
3. 在此图像中，您可能会在网络末端看到FC层。这意味着在卷积阶段之后，在全连接层中进行计算，这些计算用于学习和识别过滤器中的某些模式，这有助于分类阶段。作为一名专家来思考这一部分是很好的，他正在研究激活了哪种过滤器(以及在哪里)，并正在对图像的类别做出决定。