cnn卷积神经网络中的卷积核怎么确定？
卷积参数是模型学习出来的，卷积核的大小以及个数是人工来确定的，二维卷积卷积核大小一般是1*1，3*3，5*5，7*7这样奇数的。卷积核的个数就是网络的channel数，常见的128 256 512这种，需要根据具体任务确定。另外最近神经网络自动搜索结构非常火，最有名的就是谷歌的NASnet，采用某种启发式遍历来寻找对于特定数据集最优的网络结构。
如何理解卷积神经网络里卷积过滤器的深度问题？
我们通常看到的卷积过滤器示意图是这样的：（图片来源：cs231n）这其实是把卷积过滤器“压扁”了，或者说“拍平”了。比如，上图中粉色的卷积过滤器是3x3x3，也就是长3宽3深3，但是示意图中却画成二维——这是省略了深度（depth）。实际上，卷积过滤器是有深度的，深度值和输入图像的深度相同。也正因为卷积过滤器的深度和输入图像的深度相同，因此，一般在示意图中就不把深度画出来了。
如果把深度也画出来，效果大概就是这样：（图片来源：mlnotebook）如前所述，卷积过滤器的深度和输入图像的深度相同，都是3。顺便说下，输入图像深度为3，是因为输入图像是彩色图像，深度为3，分别为R、G、B值。作为对比，灰度图像的卷积过滤器是这样的（真2D）：（图片来源：mlnotebook）总之，卷积过滤器的深度和输入数据的深度保持一致就可以了。
