我是卷积神经网络的新手。我正在阅读一些教程并使用Keras测试一些示例代码。要添加卷积层，基本上我只需要指定内核的数量和内核的大小。
我的问题是每个内核的样子？它们是否适用于所有计算机视觉应用程序？
答案 0 :(得分：1)
我的问题是每个内核的样子？
这取决于您为卷积层选择的参数：
kernel_size参数，因为它将决定内核的形状和大小。假设您将此参数作为(3,3)传递（自然地在Conv2D图层上），您将获得3x3内核矩阵。 这取决于您的kernel_initializer参数，该参数决定了MxN内核矩阵的填充方式。它的默认值为"glorot_uniform"，在doc page上解释：
Glorot统一初始化器，也称为Xavier统一初始化器。它从[-limit，limit] 中的均匀分布中抽取样本，其中limit为sqrt（6 /（fan_in + fan_out））其中fan_in是权重张量中的输入单位数，fan_out是重量张量中的输出单位数。
这告诉我们它填充内核矩阵的具体方式。您可以选择任何其他您希望满足您需求的内核初始化程序。您甚至可以构建自定义初始值设定项，也可以在that doc页面中进行说明：
from keras import backend as K
def my_init(shape, dtype=None):
#or whatever you want to customize
return K.random_normal(shape, dtype=dtype)
model.add(Dense(64, kernel_initializer=my_init))
此外，它取决于您的kernel_regularizer参数，该参数定义了应用于内核权重的正则化函数。它的默认值为None，但您可以从available中选择其他值。您可以再次以类似的方式定义自己的自定义初始值设定项：
def l1_reg(weight_matrix):
#same here, fit your own needs
return 0.01 * K.sum(K.abs(weight_matrix))
model.add(Dense(64, input_dim=64,
kernel_regularizer=l1_reg)
它们是否适用于所有计算机视觉应用程序？
我认为这可能有点宽泛，但我敢冒险说是。 Keras提供了许多内核，专门用于深度学习应用程序;它包括那些在整个文献和众所周知的应用中最常用的那些。
好消息是，如前所述，如果这些内核中的任何内核不符合您的需求，您可以很好地定义自己的自定义初始化程序，或者通过使用正则化来加强它。这使您可以解决您可能遇到的那些非常具体的CV问题。
答案 1 :(得分：0)
在学习过程中学习实际的内核值，这就是为什么你只需要设置内核的数量及其大小。
可能令人困惑的是，学习到的内核值实际上模仿了Gabor和边缘检测过滤器之类的东西。这些是通用的许多计算机视觉应用程序，但它们不是手动设计，而是从大型分类数据集（如ImageNet）中学习。
内核值也是功能层次结构的一部分，可以直接用作各种计算机视觉问题的功能。在这方面，它们也是通用的。