6、卷积神经网络基础：从核与卷积到实际应用

卷积神经网络基础：从核与卷积到实际应用

1. 数据集迭代与输出示例

在需要逐批迭代数据集时，相关操作非常有用。其输出示例如下（由于 tf.random.uniform() 调用，你的数字会有所不同）：

tf.Tensor(
[[0.07181489 0.46992648]
 [0.00652897 0.9028846 ]], shape=(2, 2), dtype=float32)
tf.Tensor(
[[0.9167508  0.8379569 ]
 [0.33501422 0.3299384 ]], shape=(2, 2), dtype=float32)

2. 卷积神经网络的主要组件：核与滤波器

2.1 核与滤波器的定义

卷积神经网络（CNN）的主要组件之一是滤波器，它是尺寸为 $n_K \times n_K$ 的方阵，其中 $n_K$ 是整数，通常是较小的数，如 3 或 5。有时滤波器也被称为核，这种用法源于经典的图像处理技术。在本书中，“核”和“滤波器”这两个术语可互换使用。

2.2 不同类型的核

以下是四种不同的 3×3 核的定义：
- 水平边缘检测核 ：
$I_H = \begin{bmatrix}
1 & 1 & 1 \
0 & 0 & 0 \
-1 & -1 & -1
\end{bmatrix}$
-