上篇文章中，我们提到了直播美颜sdk技术中，深度学习的基本概念。事实上，深度学习是一个框架，包含了很多重要的算法，主要有卷积神经网络（CNN）、自动编码器、稀疏编码、限制波尔兹曼机、深信度网络、多层反馈循环神经网络。

而对于不同的问题（图像、语音、文本），需要选用不同的网络模型来处理，以达到更好的处理效果，下面我们将讲解下直播美颜sdk深度学习中最基础的一项技术：卷积神经网络。

一、何为卷积

对于一副32x32的灰度图像，可以将其看成是一个28x28的二维矩阵，采用3x3的卷积核与图像不同的3x3部分相乘，形成所谓的卷积输出。这个3x3的卷积核在深度学习中被称为过滤器。

图像的卷积操作主要是为了提取图像特征，从而对输入降低维度。在深度学习网络中，卷积层是最基础的网络结构，不同尺寸的卷积核不同卷积的核对图像的处理效果也不同。

在实际应用中，卷积神经网络在训练过程中需要提前设置这些过滤器的参数。理论上，设计的过滤数目越多，提取的图像特征就越多，所设计的网络在识别图像时效果就会越好。但是大量的过滤器也会增加网络层数，给训练带来负担，所以过滤器的数目和大小的设置是通过不同的实验经验得来的。

二、卷积层的参数

1、卷积层深度：深度对应卷积运算中的过滤器数量，例如，使用3个不同的过滤器对初始图像进行卷积，从而生成3个不同的特征图。

2、步幅：在输入矩阵上移动一次过滤器矩阵的像素数量。当步幅为1时，过滤器每次移动1个像素；步幅为2时，过滤器每次移动2个像素。步幅越大，生成的特征映射越小。

3、零填充：在图像之间添加额外的零层，以使输出图像的大小与输入相同。在卷积时遇到图像边界，将输入矩阵边界用零来填充会很方便，这样可以将过滤器应用于输入图像矩阵的边界元素。

以上，就是直播美颜sdk的深度学习技术中，关于卷积神经网络的一些简单介绍，如果您对直播美颜sdk开发感兴趣，欢迎咨询官方客服。

声明：本文由美狐原创，未经允许禁止转载，谢谢合作。