我知道一个输入（让我们说一个图像）向前通过CNN，进行卷积和下采样。然后，在完全连接的层上，给出一个标签，给出它产生的最终权重。在训练中，计算 E rror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 E 接近零。
过滤器在这个过程中从哪里学到了什么？我不明白滤波器是如何从高斯噪声到线条，角落和颜色的。那么我想这些过滤器是明确写入文件进行测试的，对吗？
答案 0 :(得分：2)
从CNN学到的每个内核都是创建这些特征的过滤器（线条，角落等）。
让我们以Sobel为例，Sobel使用特定的内核来卷积图像，并且通过这个内核，我们可以恢复X和Y中用作边缘检测器的imagen的梯度。但是，如果这些特征（线条）并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。因此，我们可以学习这些内核并创建不同的图像。
这些从内核创建的图像称为功能图，可以使用different techniques显示，我真的建议您观看该视频，因为您可以更好地了解CNN正在学习的功能，并了解这一点course
了解此过滤器的一种方法是让您知道预期的输出是多少。您可以使用随机值（滤波器/权重中的第一个值）对图像进行卷积，然后学习这些值，直到获得更好的预测训练集的值，因此，您不会使用典型的sobel，而是学习什么是最好的内核/过滤器以恢复更好地代表您的图像的功能。
因此，这些过滤器最终是您刚刚学习的网络权重。