① 关于卷积神经网络的卷积核个数问题
第二个卷积核是 16个，每个卷积核是5*5*6，也就是说每个卷积核是6通道的
② 现在tensorflow和mxnet很火，是否还有必要学习scikit-learn等框架
很有必要，但不用太深入，在Kaggle上认真搞2,3个比赛能进10%的程度就够了
③ 如何将矩阵数据直接传入卷积神经网络
你好，对信号的特征提取在数学上看其实就是做一个滤波的运算，实际上都是通过卷积来实现的。下面是一个matlab的实现：
function r= my_conv(a, b)
m=length(a);
n=length(b);
r=zeros(1, m+n-1);
for k = 1:m
c = a(k)*b;
d = r(1, k:k+n-1);
d = d+c;
r(1, k:k+n-1) = d;
end
④ 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。
⑤ 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。
⑥ 识别数字，bp神经网络算法，卷积神经网络算法，svm算法，adaboost算法哪种好
看数字图片而定。如果图片较小并且质量还不错，那么通过2层的神经网络就能胜任。
对于MNIst数据集（28*28的手写数字），2层神经网络准确率可达99%，svm也有98%以上。
以上实现非常简单，matlab已经有现成工具箱。
卷积神经网络通常用于更加复杂的场合，闭合是被图像内容等。在MNIST数据集上cnn可达99.7%准确率，但是实现起来较为复杂，需要通过开源框架caffe，keras等进行编程。
如果对准确率要求没有达到小数点后两位的程度，用简单的svm，神经网络，softmax等调调参数就行了。
⑦ 卷积神经网络LeNet-5结构卷积采样中加偏置Bx的作用是什么
简单的讲吧
h(x)=f(wx+b）
上式子就是神经元所表示的函数，x表示输入，w表示权重，b表示偏置，f表示激活函数，h(x)表示输出。
训练卷积神经网络的过程就是不断调整权重w与偏置b的过程，以使其输出h(x)达到预期值。
权重w与偏置b就相当于神经元的记忆。
至于你说的为什么要偏置b可以看看这个博客http://blog.csdn.net/xwd18280820053/article/details/70681750
从其根本上讲，就是不加偏置b的话，上面的函数就必定经过原点，进行分类的适用范围就少了不是吗
⑧ 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。