目錄

 

卷積有什麼作用？

卷積核

步長

填充

引數共享

池化

整體卷積流程

---

卷積有什麼作用？

左圖為BP神經網路，右圖為卷積神經網路。BP網路訓練連線線的引數，卷積訓練卷積核的引數

卷積網路到底做了一件什麼事呢？其實就是提取特徵 ，那麼又是如何提取的呢？

概括的來說：

輸入一副h*w*c的影像，通過k*k*c的卷積核在原始影像上進行滑動，滑動的過程中對影像進行計算，得到新的特徵圖，周而復始。

比如下圖輸入大小為32*32的影像，通道數為R,G.B三個彩色通道，對每個通道使用3*3的卷積核進行滑動計算，具體的計算過程為對應位置元素相乘相加，放到對應位置，

 注意，當分別對3個通道進行卷積完成後，每一個位置得到3個值，再把3個值分別相加得到一個值，作為提取到的特徵。

 以上是從數學角度對卷積在做什麼進行解釋，下面從更高的層面對卷積網路進行理解。

為什麼卷積能提取影像特徵呢？

舉一個例子：每一個卷積核都可以被看做特徵識別器，所謂的特徵，是指直線、簡單的顏色、曲線之類的東西，

我們使用一個訓練好的7*7的卷積核對曲線進行提取，提取的過程就是上面介紹的。

對老鼠尾巴弧線進行提取 

 

 把弧線的畫素和卷積核進行卷積，得到的資料為6600，資料比較大。如果在其他區域，則沒有那麼大的數值

經過多次卷積提取特徵

卷積核

二維卷積公式：

影像進行卷積時候就是做的一個對應位置相乘相加

步長

卷積核在影像上每次滑動的長度，步長越小，提取的特徵越細膩，步長越大，提取的特徵越粗糙

填充

為了彌補邊界特徵被計算的次數較少的問題，加入0填充，在移動程度上緩解該問題，讓網路能夠更公平的對待一些邊界特徵

引數共享

多少個卷積核得到多少個特徵圖。

引數共享：用同樣一個卷積核，對每個區域進行特徵提取。

池化

池化層：特徵壓縮，下采樣。有max poling(挑重要的），average poling。沒有任何矩陣的計算

 

整體卷積流程

卷積神經網路卷積層池化層輸出計算公式

 

 

 

 

 

 層：帶引數計算的才叫一層神經網路，下面網路一個7層

參考文獻：https://www.toutiao.com/a6700385442048508420/