卷积神经网络可以对一个输入完成不同种类的变换，这个表述正确吗

1. 卷积神经网络可以对一个输入完成不同种类的变换，这个表述正确吗

错误！！！

2. 卷积神经网络中数据能不能进行预处理后直接输入网络

预处理是什么处理，是降噪、白化或者PCA吗，类似这些处理后，可以直接输入网络

3. 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）

4. 卷积神经网络的卷积核可以比输入大吗

有可能的，看目的而定。一般的卷积神经网络多是用来做降维分类的用途，那种情形下的卷积核没理由要比输入大。
可是也有另一类的卷积神经网络是使用所谓的 fractionally strided convolution, 那种情形的卷积核可以比输入大。一个用上这种卷积技巧的例子是所谓的 GAN (generative adversarial networks).

5. 卷积神经网络中用1*1 卷积有什么作用或者好处

1*1卷积的主要作用有以下几点：
1、降维（ dimension reductionality ）。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做1*1的卷积，那么结果的大小为500*500*20。
2、加入非线性。卷积层之后经过激励层，1*1的卷积在前一层的学习表示上添加了非线性激励（ non-linear activation ），提升网络的表达能力；

6. 如何用卷积神经网络实现多输入多输出

第一点，在学习Deep learning和CNN之前，总以为它们是很了不得的知识，总以为它们能解决很多问题，学习了之后，才知道它们不过与其他机器学习算法如svm等相似，仍然可以把它当做一个分类器，仍然可以像使用一个黑盒子那样使用它。
第二点，Deep Learning强大的地方就是可以利用网络中间某一层的输出当做是数据的另一种表达，从而可以将其认为是经过网络学习到的特征。基于该特征，可以进行进一步的相似度比较等。
第三点，Deep Learning算法能够有效的关键其实是大规模的数据，这一点原因在于每个DL都有众多的参数，少量数据无法将参数训练充分。

7. 卷积神经网络的输入应该是什么类型的

卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。[1]  它包括卷积层(alternating convolutional layer)和池层(pooling layer)。
卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。 K.Fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。随后，更多的科研工作者对该网络进行了改进。其中，具有代表性的研究成果是Alexander和Taylor提出的“改进认知机”，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。

8. 卷积神经网络学习 输入不是严格尺寸 变形后能学习吗

不知道你说的严格尺寸和变形是什么意思
如果是指图片的输入尺寸不同，比如有的样本是225*225有的样本是322*322，可以将图像reshape成指定的尺寸。
如果是指样本经过各种变换变形，也是可以的，有许多数据增强手段都是通过对样本进行形变来扩充数据量和多样性的。