返回信息流这两天把CNN的算法看了看，有两个不太理解的地方，求大家解惑：
1.看到了一句话“为了做图像识别，通常需要不止一个的特征映射，因此一个完整的卷积层包含若干个不同的特征映射。”
给的例子是一个24*24的图像输入通过5*5局部感知域之后产生卷积层C1是3*20*20，我是不是可以理解成这个图像有三个特征，它们的5*5局部感知域的权重是不同的？
2.我看的网上的例子都是输入灰度图像，如果是彩色图像该怎么做CNN呢？把RGB分开当成三个特征么？
3.求大家推荐一些详细的有关CNN的教程或者书籍，小白感激不尽！！！
网页论坛我怎么也上不去只能用手机版发帖了，没法上图大家多多谅解，跪谢！
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #21326同步于 2016/10/19
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
CNN小白问些很基础的问题
bdyzhy9527
2016/10/19镜像同步17 回复
订阅后，新回复会通过你的通知中心匿名送达。
9 条回复
最近刚好也在入门学习CNN，回答自己一些粗浅的理解，还请各位指正不对的地方
1.5*5的局部感知操作也就是卷积操作，那个5*5的卷积核就可以认为是特征，需要多个特征映射即需要多个卷积核将输入映射成多个新的图像；
2.这个我不太清楚，应该是3个通道分别进行映射；
3.cs231n上的资料挺详细，请百度
很详细，谢啦～[ema11]
有问题一起交流～
【 在 chenguangqi 的大作中提到: 】
: 最近刚好也在入门学习CNN，回答自己一些粗浅的理解，还请各位指正不对的地方
: 1.5*5的局部感知操作也就是卷积操作，那个5*5的卷积核就可以认为是特征，需要多个特征映射即需要多个卷积核将输入映射成多个新的图像；
: 2.这个我不太清楚，应该是3个通道分别进行映射；
1理解的正确，实际的feature map可能会设为几百或者上千，但是权重初始化一定要做好随机。
2不能简单理解为三个特征，应该是一个卷积核包含对应rgb的三组权重，对应相加加上偏置得到当前的卷积结果。
【 在 bdyzhy9527 的大作中提到: 】
: 这两天把CNN的算法看了看，有两个不太理解的地方，求大家解惑：
: 1.看到了一句话“为了做图像识别，通常需要不止一个的特征映射，因此一个完整的卷积层包含若干个不同的特征映射。”
: 给的例子是一个24*24的图像输入通过5*5局部感知域之后产生卷积层C1是3*20*20，我是不是可以理解成这个图像有三个特征，它们的5*5局部感知域的权重是不同的？
: ...................
也就是说局部感知域应该是一个5×5的3元素list而不是一个数值点阵对嘛？
另外为什么权重初始化要随机呢
随机的单位又是多少呢？
我看Cousera上的视频神经网络权重全初始化成0
【 在 mfy 的大作中提到: 】
: 1理解的正确，实际的feature map可能会设为几百或者上千，但是权重初始化一定要做好随机。
: 2不能简单理解为三个特征，应该是一个卷积核包含对应rgb的三组权重，对应相加加上偏置得到当前的卷积结果。
:
随机初始化的目的是symmetric break. Coursera 的课上应该有提到.
【 在 bdyzhy9527 的大作中提到: 】
: 也就是说局部感知域应该是一个5×5的3元素list而不是一个数值点阵对嘛？
: 另外为什么权重初始化要随机呢
: 随机的单位又是多少呢？
: ...................
下一层有几个通道，上一层就需要用几个卷积核。对于RGB三个通道，如果只有一个卷积核，大小是4*4的话，需要有3*4*4+1个参数。每一个卷积核在不同的通道上面的参数是不同的。
其实可以把CNN 看做是一种特殊的DNN。 普通的DNN 上层每一个节点的输出是下层节点的加权求和。 CNN 上层每一个 map 是下层 map 的 卷积后再求和。 DNN中的权值连接线变成了CNN中的卷积核。
输入灰度图像可以想象成一个输入节点的DNN， 输入彩色图像可以认为是有3个输入节点的DNN， 以此类推如果用在CT图像或者脑电波图像的分析时，可以认为是有多个输入节点的DNN。
好的 我再仔细看看
【 在 LayneH 的大作中提到: 】
: 随机初始化的目的是symmetric break. Coursera 的课上应该有提到.