CNN中的filters
在卷积神经网络（CNN）中，filters（滤波器/卷积核）是用于对输入矩阵进行局部特征提取的核心组件，其通过滑动窗口的方式与输入数据逐区域进行数学运算，生成特征图（Feature Map）。
CNN中的filters实质上是进行二维空间中的卷积操作的矩阵。以下是关于CNN中filters的详细解释：卷积操作：Filters在CNN中执行的是卷积操作，这可以看作是一个小的矩阵在一个大的输入矩阵上滑动。在滑动过程中，filters的每个元素与输入矩阵对应位置的元素进行乘法运算，然后将所有乘法结果相加，得到一个输出值。
CNN（卷积神经网络）是一种通过局部感知、权值共享和层次化结构高效处理图像等高维数据的神经网络，其核心在于卷积层、池化层和激活函数的组合，解决了传统全连接神经网络参数冗余的问题。CNN的提出背景传统全连接神经网络（如BP神经网络）在处理图像时存在参数爆炸问题。
CNN（卷积神经网络）是深度学习中一种非常重要的网络结构，尤其在图像处理领域表现出色。为了全面理解CNN，我们可以从多个角度进行剖析。直观形象角度 盲人摸象与图像特征提取：想象一下盲人摸象的场景，每个盲人只能摸到大象的一部分，从而得到各自对大象的印象。
输出尺寸计算：通过公式 floor((height - filter_height + 2 * padding) / stride) + 1 计算输出高度（同理适用于宽度）。 解析TensorFlow的卷积参数使用Python脚本从TensorFlow的graph中提取conv2d的参数，并保存为自定义格式的文件。
PSConv能够替代许多流行的CNN骨干网络中的标准卷积，从而在不引入额外参数和计算复杂性的情况下，实现更好的表征学习。引言 卷积神经网络（CNN）在图像识别、目标检测等领域取得了显著的成功。然而，CNN通常对尺度变化敏感，这限制了其在一些复杂场景下的性能。
