小编Ran*_*Das的帖子

在 CNN 中，卷积操作在输入矩阵上“卷积”一个内核矩阵。现在，我知道全连接层如何利用梯度下降和反向传播来训练。但是核矩阵是如何随时间变化的呢？

在 Keras 文档中，有多种初始化内核矩阵的方法，如此处所述。但是，我很想知道它是如何训练的？如果它也使用反向传播，那么有没有详细描述训练过程的论文？

这篇文章也提出了一个类似的问题，但没有答案。

有什么方法可以为我的项目使用 ResNet50 的 ImageNet 权重，该项目具有形状 (224,224,4) 的图像？图像具有 R、G、B、Y 通道。

目前，我只是在使用

 model = ResNet50(include_top=True, weights=None, input_tensor=None, input_shape=input_shape, pooling=None, classes=num_classes)

现在，如果我需要使用 ImageNet 权重，我需要始终将类数设置为 1000。我尝试这样做，然后弹出最后一层，并添加我自己的 Dense(num_classes) 层。然而，现在，通道的数量是一个问题。

任何人都可以建议一种在使用 ImageNet 权重时在模型中容纳 4 个通道的方法吗？

我正在研究用于 CNN 的模糊卷积滤波器。我已经准备好了函数 - 它接受 2D 输入矩阵和 2D 核/权重矩阵。该函数输出卷积特征或激活图。

现在，我想使用 Keras 构建 CNN 的其余部分，这些 CNN 也将具有标准的 2D 卷积滤波器。

有什么方法可以将我的自定义过滤器插入到 Keras 模型中，使内核矩阵由 Keras 后端的内置库更新？或者，是否有任何库可用于在每次迭代时更新内核？