卷积层与普通的卷积网络有何不同？

我目前正在对重建这一结果纸。在本文中，他们描述了一种使用CNN进行特征提取的方法，并具有Dnn-hmm的声学模型，并使用RBM进行了预训练。

第三节A小节陈述了可以表示输入数据的不同方式。我决定垂直堆叠静态，增量和增量增量的频谱图。

因此：

然后，本文描述了网络的运行方式。他们声明他们使用了卷积网络，但是关于网络的结构却一无所知。此外，网络是否始终被称为卷积层？我敢肯定，与普通的网络卷积神经网络（cnn）相比，我看不出任何区别。

该文件就差异指出了这一点：

（摘自第三节B小节）

但是，卷积层在两个重要方面与标准的完全连接的隐藏层不同。首先，每个卷积单元仅从输入的局部区域接收输入。这意味着每个单元代表输入局部区域的某些特征。其次，卷积层的单元本身可以组织为多个特征图，其中同一特征图中的所有单元共享相同的权重，但从较低层的不同位置接收输入

我想知道的另一件事是，该论文是否实际陈述了馈送dnn-hmm声学模型所需的输出参数。我似乎无法解码过滤器的数量，过滤器的大小..网络的一般细节？

似乎卷积层与普通的卷积层完全相同。从他们的论文中，他们认为术语“ CNN层”通常是指卷积层，然后是池化层。为了减少混乱，他们将卷积部分命名为“卷积层”，将合并部分命名为“池层”：

在CNN术语中，图2中连续的一对卷积和池化层通常被称为一个CNN“层”。因此，深层的CNN依次包含两个或两个以上的对。为避免混淆，我们将卷积层和池化层分别称为卷积层和池化层。

具有讽刺意味的是，这加剧了混乱，导致了这一职位。当时我想在池化层之前连续有多个卷积层并不常见，但是我们在现代体系结构中经常看到这种情况。

回答有关网络结构的其他问题；它们在“实验”部分（第VB节）中说明了所用网络的结构。为了希望避免混淆，我已经替换为“层”字“层”：

在这些实验中，我们在顶部使用了一个卷积[层]，一个池化[层]和两个完全连接的隐藏层。完全连接的层各有1000个单元。卷积和合并参数为：合并大小为6，移位大小为2，过滤器大小为8，FWS的150个特征图和LWS的每个频带80个特征图。