我感到惊讶的是，我实施的深度学习算法无法正常工作，因此我决定创建一个非常简单的示例，以更好地了解CNN的功能。这是我为一个非常简单的任务构造一个小的CNN的尝试，它提供了意外的结果。
我实现了一个仅带有一层滤镜的简单CNN。我创建了一个包含5000个样本的数据集，输入x是256x256仿真图像，输出y是相应的模糊图像（y = signal.convolvded2d（x，gaussian_kernel，boundary ='fill'，mode ='same'）） 。因此，我希望CNN学习卷积滤波器，它将原始图像转换为模糊图像。换句话说，我希望CNN恢复用于创建模糊图像的高斯滤波器。注意：由于我想“模仿”数学框架中描述的卷积过程，因此我使用的高斯滤波器的大小与我的图像相同：256x256。
在我看来，这是一项非常容易的任务，但是，CNN无法提供我期望的结果。请在下面找到我训练功能的代码和结果。
# Parameters
size_image = 256
normalization = 1
sigma = 7
n_train = 4900
ind_samples_training =np.linspace(1, n_train, n_train).astype(int)
nb_epochs = 5
minibatch_size = 5
learning_rate = np.logspace(-3,-5,nb_epochs)
tf.reset_default_graph()
tf.set_random_seed(1)
seed = 3
n_train = len(ind_samples_training)
costs = []
# Create Placeholders of the correct shape
X = tf.placeholder(tf.float64, shape=(None, size_image, size_image, 1), name = 'X')
Y_blur_true = tf.placeholder(tf.float64, shape=(None, size_image, size_image, 1), name = 'Y_true')
learning_rate_placeholder = tf.placeholder(tf.float32, shape=[])
# parameters to …