我在研究InceptionV3（GoogLeNet）架构，但是不理解为什么需要conv1x1层。 我了解卷积的工作原理，但对于大于1的patch size没有看出明显的优势。

我正在尝试在iOS的OpenGL ES2.0中实现一个2D轮廓着色器。它非常慢，只有5帧每秒的速度。我已经追踪到了texture2D()调用的问题。但是，如果没有这些调用，任何卷积着色器都无法实现。我已经尝试使用lowp代替mediump，但这只会让所有东西变黑，尽管这确实提供了另外5fps，...

关于Tensorflow已经有一个答案。 但问题是，在我的IDE中， Conv2D是一个类， 而Convolution2D是一个变量？

据我所了解，所有卷积神经网络(CNN)的构建方式都相似，即由卷积层、池化层和ReLU层组成。有些CNN还包含像FlowNet和Segnet之类的专门层次。我想知道如何决定在神经网络中使用多少层以及如何为每一层设置内核大小。我已经搜索过答案，但是没有找到确切的答案。这个问题是通过试错法来设计网络...

我正在尝试使用numpy在python中执行2D卷积。 我有一个如下的2D数组，其中行使用H_r核，列使用H_c核。 data = np.zeros((nr, nc), dtype=np.float32) #fill array with some data here then conv...

谁能解释一下相关性和卷积的相似点和不同点？请解释背后的直觉，而不是数学方程（即翻转核/脉冲）...最好提供每个类别在图像处理领域的应用示例。

什么使卷积核可分离？ 我如何能够确定这些可分离的部分，以便进行两个1D卷积而不是2D卷积？ 谢谢

我正在尝试计算一个LTI系统的输出。我遇到了两个不同的Matlab函数，它们都可以完成这项工作：filter和conv。它们之间有什么区别？

我以前使用过Scikit-learn的GridSearchCV来优化我的模型的超参数，但我想知道是否存在类似的工具来优化Tensorflow的超参数（例如epoch数量、学习率、滑动窗口大小等）。 如果没有这样的工具，那么我该如何实现一段代码片段来有效地运行所有不同的组合？

我正在使用60000张训练图像和10000张测试图像的MNIST示例。 我该如何找到那些被错误分类/预测的10000个测试图像？ 我该如何确定哪些测试图像被错误分类或预测了？