卷积入门--了解这种优美的计算方法

#前言

  小林最初接触卷积这一概念是在学习图像的边缘化检测，对于这一抽象概念诱发出浓厚兴趣，决定深入探索，希望通过对于卷积概念的学习，提升自己的思维活跃性和发散性及对于抽象事物的理解概括能力，并且能将该知识的学习方法引申到其他方面。本文仅作为作者学习大佬思绪的学习笔记，供大家参考，如果想要更加生动的了解，可以移步b站大学，在文章末尾出也给大家提供了素材的出处，可直接食用。

#第一部分：

#走入卷积

  啥是卷积？这里我们先直接上官方解释：卷积是一种在数学、工程和物理学等领域中常见的数学运算。在信号处理、图像处理、神经网络等领域中经常会涉及到卷积运算。在信号处理中，卷积可以用来计算两个函数之间的重叠积分，可以用来衡量信号与系统之间的关系，用于信号的滤波、平滑、特征提取等操作。在图像处理中，卷积可以用来进行图像的模糊、边缘检测、锐化等各种滤波操作。在神经网络中，卷积神经网络（CNN）使用卷积层来提取特征，通过将卷积核与输入数据进行卷积操作来实现特征的提取和组合。在数学中，卷积可以被定义为两个函数之间的积分，或者是两个离散序列之间的求和。

  看完上述的文字，我相信很多小伙伴还是无法理解，下面我将采用大佬的例子为大家较为直观的呈现啥是卷积。

#蜡烛的故事

  假设一根蜡烛燃烧需要10分钟，如果我们同时点燃两根相同的蜡烛，需要燃烧多久？如果我们同时点燃十根相同的蜡烛，需要燃烧多久？很多小伙伴会说，这不是废话，肯定还是10分钟。我们尝试将上述的蜡烛进行量化：m蜡=__la

  也就是说，在十分钟内，十根蜡烛的质量由10la变为了0la，讲到这里我相信大家都还可以理解。

  但如果现在我们将蜡烛分为四组，第一组一根，于0分钟时点燃；第二组四根，于三分钟时点燃；第三组三根，于五分钟时点燃；最后一组两根，于九分钟时点燃，那么问题来了：七分钟时十根蜡烛的质量还剩余多少？其实如果要解决这个问题，最好的办法就是拍摄一个视频，想要知道何时十根蜡烛的剩余质量，只需要将视频进度调节到该时刻即可。但是如何量化？

  回到故事的开头，此时我们假设一共有t根蜡烛，于n时刻点燃，那么如果我们想要知道这t根蜡烛在在七分钟时还剩余多少质量，不难得出剩余的质量=t*（7-n）la，那如果我们将蜡烛数量设为函数f（t），燃烧时间7-t，单个蜡烛燃烧的剩余质量为函数g（7-t），我们很自然的可以得出，在七分钟时剩余蜡烛的总质量=f（t）*g（7-t）。现在我们再将该公式推广到多组蜡烛于不同时刻点燃，在7分钟时剩余的质量，我们是不是只需要对每一组蜡烛进行求和即可，即f（t）*g（7-t），最后我们再将7分钟推广至m分钟，此时剩余的质量公式就变为这样：f（t）*g（m-t）

  到这里，我们自然而然的推出来卷积的公式：

 也许我们可以把这个公式升级一下，将求和转变为求积分，那么公式就变成了：

那么回顾一下刚刚我们的做法，本质上就是一个延迟，倍率，再叠加的过程

到这里，相信大家还有一个疑惑，不是卷积吗？你这样讲到底卷在哪里？为进一步直观呈现，我们进入下一个例子。

#红蓝房间：

  我们回顾一下刚刚得出的式子：f（t）*g（m-t）。我们假设了某个时刻为t，那么-t是不是可以理解为逆转时间，如果你明白了这一点，那么我们接下来引出例子，希望你可以理解卷积是如何算的：

  

  这是一个红色房间，在这里时间是正向的，通过黑色闸门，我们会来到蓝色房间。

  这里是蓝色房间，这里的时间是逆向的，黑色闸门连接红色房间，而白色闸门则连接红色大厅。

  这里是红色大厅，时间也是正向的，大厅的两侧是窗户，可以看到两侧房间中发生的事情。现在我们将刚刚的两个函数以列表的形式展开，就像这样：

  每个房间会各自以时间顺序播放放两个函数的值（红房间为f，蓝房间为g），而我们要做的就是先后进入两个房间，将两个函数出现的值进行誊抄，最后我们做的就是来到红色大厅，将两个房间出现的函数值同时抄写下来进行组合

  最终我们可以得到这样的组合：

  我们计算出最终答案：7.1，这个就是在7分钟处卷积的值。如果我们将刚刚的行动动线直观的呈现出来，大体就是这样的：

   虽然说不能是严格意义上的卷，但好歹也是折起来了。但是来自百度的官方解释，卷积也叫褶积，如果我们将蓝色房间与红色大厅互换位置，那么行动动线将变为折线，也就符合了褶积的命名。

#第二部分：数学量化

  相信很多人在看完上面红蓝房间的例子后，还是无法理解，卷积为什么是那么计算的，那么接下来我会以数学的思考角度对其进行展开。

  假定现在给你两个数组，让你组成一个新的数组，你会如何做？大概率你会采取以下的方法：无外乎就是相加或者相乘

m = [1,2,3]

n = [4,5,6]

new = m+n = [5,7,9]

或者：

m = [1,2,3]

n = [4,5,6]

new = m*n = [4,10,18]

  但是还有一种全新的方法就是卷积，基于已经在红蓝房间的例子中展示了如何计算卷积，这里我先展示一下卷积的计算过程：

m = [1,2,3]

n = [4,5,6]

n‘ = [6,5,4] 将数组n进行倒置

new = m*n‘  = 1*6+2*5+3*4 = 6+10+12 = 28

  如何理解？相信大家都投过骰子，投掷两枚骰子一共有36种可能，有10种点数和。

  如何计算各种点数和的概率，只要细心观察我们不难发现，每一条对角线上的点数和都相等，只要我们数一数对角线上有格，只需要用格数/36就可以得出该点数和被投掷出的概率。 

  那么有没有其他的呈现方式呢？我们将投掷骰子可能出现的情况排成一行（点数由一到六）。因为我们需要投掷两枚骰子，所以我们排出两行可能性，然后我们再将第二排骰子翻转（点数由六到一），与第一排对其，这是我们发现，上下两排每一种组合的点数都是7。

  我们将第二排的骰子的最后一个与第一排骰子的第一个对齐，再依次向右移动，像下图这样：

  是不是会惊奇的发现，每当上下骰子对齐时，每一列的点数和都是相等的，而对齐的组数，恰好就是该点数和可能出现的情况。

  以上我们所讨论的前提就是，骰子点数被投掷出的概率是相等的，但是如果我们假设骰子点数被投掷出的概率不同，像这样：

  那我们再计算某个点数和被投掷出的概率是，就应该是各种组合概率之积的加和。说到这里你是不是有点明白卷积到底是个啥以及卷积该如何计算了。

#第三部分：实际应用--图像处理

   首先我们需要引入一个例子：滑动平均

   我们将上方的数组与一个数组和为1的数组经过卷积处理后，我们可以发现，我们得到的新数组是上方数组的平滑版本，从图上也可以很直观的看出。当数组和为1的数组完全进入上方数组的范围后我们不难发现，每次都是将上方数组各个数值乘以0.5后相加得到的结果，自然也就缩小了各个数值的差距，也就实现了平滑处理。

  接下来请看一下下面这个图像处理过程：

  如果我们进行放大可以看到这样：

  右侧每一个像素格的得出都是由左侧（即放大后的九宫格）每一个像素值乘以1/9再加和后得到的结果，但是我们需要注意，卷积是由纯数学语境下引申出的概念，在使用时必须严格按照其计算方式，即倒置后再相乘求和，但是由于这里我们所使用的是一个数值相等的九宫格，故倒置后与倒置前无异。此时我们可以说右侧的马里奥是由左侧马里奥与一个3*3的数组经过卷积计算后的结果，从而实现了图像的虚化

  当然我们也可以使用数值不同的数组来进行卷积计算，此时右边的像素值会由左侧数组中占比较大的数值决定。这样的处理方式也有其自己的名称：高斯模糊。

  可能上述的还是不够直观，那么我们可以再举个例子：

  与上述的滑动平均一样，这里的九宫格的数组的和也是1，我们将左侧图与其进行卷积运算。由于我们选取数组的特殊性，可以对左侧的图片进行虚化并且突出边缘，也就是所谓的边缘化处理。

  当计算至边缘时，由于黑色的像素值为零，而白色的像素值为一，当九宫格所涵盖的色块都想同时，像素值为零，也就是黑色。而我们这里规定，当卷积结果为正时，输出的像素颜色为蓝色，当卷积结果为负时，输出的像素颜色为红色，像下面这样，我们就实现了简单的边缘化处理。

#后言

  以上是我现阶段的学习结果，有许多地方表述可能不是非常清楚明了，也请大家见谅！

  这些也都是最入门的知识，如果大家对卷积感兴趣，还是得多去看看相关资料，将这一抽象知识内化，形成自己的独到理解。

#素材来源

感谢b站大佬的详细讲述，为小白们较为直观的呈现出卷积这一抽象的数学概念

【卷积究竟卷了啥？——17分钟了解什么是卷积-哔哩哔哩】 https://b23.tv/0avieaO

【【官方双语】那么……什么是卷积？-哔哩哔哩】 https://b23.tv/gUkKDl3