weixin_51631044的博客

它中间4列为⿊（0），其余为⽩(1) 然后构造⼀个⾼和宽分别为1和2的卷积核K。可以看出，迭代10次的时候，我们的核数组接近了之前的检测图像中物体的边缘核数组[1,-1],说明利用输入、输出数据可以很好的训练出核数组，有利于模型的搭建。在进行通过数据学习核数据时，首先看一个简单的案例：检测图像中物体的边缘，即找到像素变化的位置。接着，为了构造边缘图像像素，将创建的单元数组X进行变化，让其中间列为⿊（0），其余为⽩(1)。即可看出，此时的不同部分交替过程中，变为非0的数，其它的变为0.构造⼀个⾼和宽分别为。

在⼆维卷积层中，⼀个⼆维输⼊数组和⼀个⼆维核（kernel）数组通过互相 运算输出⼀个⼆维数组。使用python进行这个神经网络的卷积运算的时候，需要导入mxnet库，这是专门针对卷积神经网络的一个库。的思想，在整个学习流程中并进行认为的子问题划分，而是交给深度学习模型直接学得从原始输入到期望输出得映射。卷积神经网络可以直接从原始数据中学习其特征表示并完成最终任务，可以说卷积网络是。其中数组的运算称其为卷积核或过滤器，而卷积核窗口取决于卷积核的高和宽。，该卷积层得运算是组成卷积神经网络的基础。