❶ 深度学习为什么加入卷积神经网络之后程序运行速度反而变慢了
实际上对于同等规模的特征，卷积神经网络由于权重共享，极大地减少了训练参数，相比普通的神经网络肯定是更快的，只是因为卷积神经网络现在用来做更复杂的图像运算，让你感觉速度变慢了
❷ 怎么评判卷积神经网络训练得差不多了
这个得根据你所要执行的任务难度而定
❸ 卷积神经网络怎么计算输出特征图的大小
假设原图为32*32的，卷积核尺寸为4，步长为2，则输出的图像应该是（32-4+2）/2=15，输出就应该是15*15的图像
❹ cnn 卷积神经网络 在1080 gpu 速度反而没有 940m 快 为什么
不一定，但gpu往往比cpu快数十倍。
cpu速度也是非常快的，根据cpu核心数适当开多线程可以成倍提升速度。
❺ 如何计算一个卷积神经网络的复杂度
学习率实际和信号分析里的时间常数是一样的，学习率越小 学习会越精细，但同时学习速度也会降低，因为现实中很多模型都是非线性的，犹如一条曲线，梯度下降采用很多小直线迭代去逼近非线性的曲线，如果每一步跨度太大（学习率）就会失去很多曲线的扭曲信息，局部直线化过严重，跨度太小你要到达曲线的尽头就需要很多很多步，这就需要更多的样本，所以这个也要考虑实际问题再来决定学习率的。
❻ 卷积神经网络使用哪种框架最好 TensorFlow or Caffe
tensorflow跟caffe、mxnet、pytorch等一样是一个深度学习工具箱，其中当然也包含卷积神经网络工具箱。
❼ 6.+简述卷积神经网络使用多层小核代替大核的原因
摘要 您好，根据您提供的信息，我为您查询到，这个是因为(1)3x3是最小的能够捕获像素八邻域信息的尺寸。
❽ CNNs卷积神经网络算法最后输出的是什么，一维向量和原始输入图像有什么关系呢
看你的目的是什么了，一般传统分类的输出是图片的种类，也就是你说的一维向量，前提是你输入图像是也是一维的label。 如果你输入的是一个矩阵的label，也可以通过调整网络的kernel达到输出一个矩阵的labels。
❾ 关于卷积神经网络的卷积核个数问题
在从14变成16的时候，不是一一对应的关系。16个feature map中的每一个都是由前一层的14个和新的kernel卷积，然后把得到的14个结果变成1个feature map。下面的图或许可以帮你理解。（图片来源：网页链接）
❿ 为什么卷积神经网络最后预测输出结果都是0
0代表0个map，0个特征，这应该是卷积神经网络的卷积核大小、个数，卷积层数设置过程中的问题。