『壹』 卷積神經網路 測試圖像和 訓練圖像 大小要一樣嗎
這取決於你的卷積神經網路中是否存在全連接層，因為不同於全連接層，卷積神經網路中的參數是卷積核的權重，與輸入大小無關。如果是全卷積網路，那麼對於輸入的圖像解析度要求不高，可以大小隨意，不過多少應該會有影響。不過如果其中含有全連接層就需要保證輸入圖像大小一致，可以通過線性插值的方式進行放縮。
『貳』 為什麼全連接神經網路在圖像識別中不如卷積神經網路
輸入數據是n*n的像素矩陣，再使用全連接神經網路，那麼參數的個數會是指數級的增長，需要訓練的數據太多。
而CNN的話，可以通過共享同一個參數，來提取特定方向上的特徵，所以訓練量將比全連接神經網路小了很多。
『叄』 為什麼圖像識別都用卷積神經網路不能使用遺傳演算法來做圖像識別嗎
目前能用的圖像識別演算法中，卷積神經網路效果最好。
『肆』 訓練一個圖像識別分類的卷積神經網路，使用什麼配置的電腦比較好
看你的描述這么專業，最後怎麼問的有點外行，既然系統做圖像識別的學習，肯定是需要大數據配合，電腦哪裡處理的了，要用伺服器，如果是初級應用，那麼性能不一定要多強，兩台入門級的伺服器吧，因為可以支持多線程處理，為了節約，可以買國產的塔式伺服器，便宜而且可以不用機櫃，現在的伺服器大多也都是千兆網卡了，不用特意要求，主要在內存和硬碟，現在的伺服器瓶頸就是數據讀取速度，資金允許就配固態盤做數據盤，配合前兆網卡和兩台伺服器處理能力，完美的學習環境。
『伍』 卷積神經網路具體怎樣訓練
卷積神經網路有以下幾種應用可供研究：
1、基於卷積網路的形狀識別
物體的形狀是人的視覺系統分析和識別物體的基礎，幾何形狀是物體的本質特徵的表現，並具有平移、縮放和旋轉不變等特點，所以在模式識別領域，對於形狀的分析和識別具有十分重要的意義，而二維圖像作為三維圖像的特例以及組成部分，因此二維圖像的識別是三維圖像識別的基礎。
2、基於卷積網路的人臉檢測
卷積神經網路與傳統的人臉檢測方法不同，它是通過直接作用於輸入樣本，用樣本來訓練網路並最終實現檢測任務的。它是非參數型的人臉檢測方法，可以省去傳統方法中建模、參數估計以及參數檢驗、重建模型等的一系列復雜過程。本文針對圖像中任意大小、位置、姿勢、方向、膚色、面部表情和光照條件的人臉。
3、文字識別系統
在經典的模式識別中，一般是事先提取特徵。提取諸多特徵後，要對這些特徵進行相關性分析，找到最能代表字元的特徵，去掉對分類無關和自相關的特徵。然而，這些特徵的提取太過依賴人的經驗和主觀意識，提取到的特徵的不同對分類性能影響很大，甚至提取的特徵的順序也會影響最後的分類性能。同時，圖像預處理的好壞也會影響到提取的特徵。
『陸』 卷積神經網路是不是按順序一張一張來訓練的
卷積神經網路（Convolutional Neural Network,CNN）是一種前饋神經網路，它的人工神經元可以響應一部分覆蓋范圍內的周圍單元，對於大型圖像處理有出色表現。[1]它包括卷積層(alternating convolutional layer)和池層(pooling layer)。
卷積神經網路是近年發展起來，並引起廣泛重視的一種高效識別方法。20世紀60年代，Hubel和Wiesel在研究貓腦皮層中用於局部敏感和方向選擇的神經元時發現其獨特的網路結構可以有效地降低反饋神經網路的復雜性，繼而提出了卷積神經網路（Convolutional Neural Networks-簡稱CNN）。現在，CNN已經成為眾多科學領域的研究熱點之一，特別是在模式分類領域，由於該網路避免了對圖像的復雜前期預處理，可以直接輸入原始圖像，因而得到了更為廣泛的應用。 K.Fukushima在1980年提出的新識別機是卷積神經網路的第一個實現網路。隨後，更多的科研工作者對該網路進行了改進。其中，具有代表性的研究成果是Alexander和Taylor提出的「改進認知機」，該方法綜合了各種改進方法的優點並避免了耗時的誤差反向傳播。
『柒』 有沒有已經訓練好的，用於圖像分類的卷積神經網路可以用
注意：訓練樣本和測試樣本是不一樣的。判斷正確和錯誤，主要是看能不能通過訓練分析機以及是否在誤差內。正確率的得出：對測試樣本進行測試，看看識別出來的有哪些，除以測試樣本的總數即可。