卷积神经网络中有哪些参数

卷积神经网络中主要包括以下参数：

1. 卷积核大小：卷积核的大小决定了卷积操作的感受野大小，通常为 $3\times 3$、$5\times 5$ 等。

2. 卷积核数量：卷积层中的卷积核数量决定了该层网络的特征提取能力，通常设置为 32、64、128 等。

3. 步长（stride）：步长表示卷积核在进行卷积操作时沿着输入数据的移动步长，通常为 1 或 2。

4. 填充（padding）：填充是指在输入数据的边缘周围添加一圈“0”，以保证卷积后输出的特征图大小和输入数据大小相同，或者进行尺寸调整。

5. 权重（weight）：卷积层中每个卷积核都有一组权重参数，用于计算输入数据和卷积核的卷积结果。

6. 偏置（bias）：卷积层中每个卷积核都有一个偏置参数，用于对卷积结果进行偏移，增加网络的表达能力。

7. 激活函数参数：激活函数是卷积神经网络中非线性变换的核心，常用的激活函数包括 ReLU、Sigmoid、Tanh 等。这些函数都有一些参数，如 ReLU 的负数部分截断值等。

8. 池化参数：池化层用于对特征图进行下采样，常用的池化方式包括最大池化、平均池化等。池化操作的参数包括池化核大小和步长。