最后一天，我了解了卷积神经网络，并使用Tensorflow进行了CNN的一些实现，所有实现仅指定大小，过滤器数量和过滤器的跨度。但是，当我了解过滤器时，它说每个图层上的过滤器都会提取不同的特征，例如边缘，拐角等。
我的问题是，我们可以明确指定过滤器来提取所有特征，还是图像的哪一部分更重要等
所有的解释都表明，我们将输入图像的一小部分卷积并卷积在其上。如果是这样，我们是否会摄取图像的所有部分并在图像上进行卷积？
最佳答案
我们可以明确指定应该提取所有特征的过滤器，还是图像的哪个部分更重要等
当然可以。但是CNN的优势在于，它们可以自己学习最好的功能（或至少学习非常好的功能；在大多数情况下要比我们能想到的更好）。
一个著名的例子是ImageNet数据集：
2012年，使用了第一个端到端学习型CNN。端到端意味着网络在一端获取原始数据作为输入，在另一端获取优化目标。
在CNN之前，计算机视觉社区使用手动设计的功能已有很多年了。在2012年AlexNet之后，没有人这样做（对于“典型”计算机视觉-仍然值得一试的特殊应用程序）。
所有的解释都表明，我们将输入图像的一小部分卷积并卷积在其上。如果是这样，我们是否会摄取图像的所有部分并在图像上进行卷积？
它始终是一个完整的图像，其中包含一个小的滤镜。卷积运算是局部的，这意味着您可以并行计算其中的大部分，因为左上角的卷积结果不是
取决于左下角的卷积。