真正理解卷积 （附python实现代码）

• 如果还不清楚卷积在生活中的意义，可以看看这则转载自疯子朱磊的比喻。
  

• 首先看定义和公式
  卷积就是以一个函数为输入函数，在输入函数每个点上，以输入函数为系数叠加位移了的响应函数，最终得到的函数。
  
  哇，相当抽象， 这是个啥，这又是个啥？好的先不着急弄清楚这符号是什么。先清楚这个符号代表卷积运算就行。那卷积的运算结果是什么？也就是这个东西最终会等于什么？大家学过积分的认真看这个这个东西是什么？是这个东西关于的积分，他的结果将会是关于n的一个函数，什么意思？就是卷积结果不会是一个固定的值，而是关于n的函数，n取不同值它的结果也会不同。比如说卷积结果是2n+1，那当n等于0时，卷积结果就是1，当n等于1000时，卷积结果就是2001。
  那么到底如何得到卷积结果呢？也就是这个关于n的函数呢？
  先看下转载自百度文库刘真彬老师的PPT：
  
  如何理解这个过程呢？绝知此事要躬行！我们来自己算一个。先来个最简单，最具体的！下面是我的丑字
  
  贴个博主半截木头渡海洋的图片 ，简明的过程！

看完简单的序列卷积，再来看看稍微复杂的函数卷积。


自己尝试算一遍，如果你能算清楚，那你对于卷积一维的运算就问题不大了。

• 卷积的二维运算

二维卷积实现可以分为两大步。一是预处理：将卷积核翻转180°，将原始数据扩边（不同的mode（full、valid、same）模式存在不同的扩边方案）；二是滑动卷积计算。
举个简单的例子计算一次。
假设现在有个4*4的待操作矩阵：

卷积核为

第一步预处理：将卷积核翻转180°。

实际上就是上下翻转和左右翻转。
第二步，将卷积核h的中心对准x的第一个元素，然后对应元素相乘后相加，没有元素的地方补0。mode = same

最终得到的结果是：

而不同mode得到的输出结果尺寸问题请参考二维卷积（Full卷积、Same卷积、Valid卷积、带深度的二维卷积）。

• 加深理解编个程（python）
  先实现一个简单的一维卷积的运算
  把算一维卷积的算法再看一遍
  

def conv1d(x,h):
    result = []
    length1= len(x)
    lenth2 = len(h)
    x_changed = []
    for i in range(len(h)-1):#根据一维卷积的性质，卷积结果的长度是lenth1+lenth2-1
        x_changed.append(0)   #填充0把长度补满，理论上是需要翻转h，翻转后h的计数为负，而序列是从0计数，故这里右移x
    for i in range(len(x)):
        x_changed.append(x[i])   #再把x的元素填充进来
    h_changed = []               #h_changed是翻转后的h
    for i in range(1,len(h)+1):  #先填充翻转后的h
        h_changed.append(h[-i])
    for i in range(len(x)-1):
        h_changed.append(0)
    #print(x_changed,h_changed)
    for i in range(len(h_changed)):  #开始平移
        print('t =',i)
        if i==0:                     #未平移
            h_changed2 = h_changed #h_changed2是翻转平移以后的h
        else:
            h_changed.insert(0,h_changed.pop()) #意识是h_changed中的元素全体向右平移一位，不懂这个函数的可以自己试用一下
            h_changed2 = h_changed
        print('x_changed :',x_changed)
        print('h_changed2 :',h_changed2)
        v = 0
        for item1,item2 in zip(x_changed,h_changed2):#对应位置相乘然后加和
            v = v + item1*item2
        result.append(v)
    return result
print('conv1d(x,h) :',conv1d([1,2,3],[4,5,6]))      
#输出结果
'''
t = 0
x_changed : [0, 0, 1, 2, 3]
h_changed2 : [6, 5, 4, 0, 0]
t = 1
x_changed : [0, 0, 1, 2, 3]
h_changed2 : [0, 6, 5, 4, 0]
t = 2
x_changed : [0, 0, 1, 2, 3]
h_changed2 : [0, 0, 6, 5, 4]
t = 3
x_changed : [0, 0, 1, 2, 3]
h_changed2 : [4, 0, 0, 6, 5]
t = 4
x_changed : [0, 0, 1, 2, 3]
h_changed2 : [5, 4, 0, 0, 6]
conv1d(x,h) : [4, 13, 28, 27, 18]
'''

• 二维卷积编程实现
  回顾一下我们举的二维卷积计算例子。再开始敲代码。
  
  卷积核为
  
  第一步预处理：将卷积核翻转180°。
  
  实际上就是上下翻转和左右翻转。
  第二步，将卷积核h的中心对准x的第一个元素，然后对应元素相乘后相加，没有元素的地方补0。mode = same
  
  最终得到的结果是：
  
  下面编程实现：

import numpy as np
def zero_pad(x, pad_height, pad_width):# 先在待处理矩阵周围填充0

    H, W = x.shape# H为待处理矩阵的高（行），Wi为待处理矩阵的宽（列）
    out = None
    out = np.zeros((H+2*pad_height, W+2*pad_width))# 知道尺寸后先全填入0
    out[pad_height:pad_height+H, pad_width:pad_width+W] = x# 后在中间填入x，这样边缘填充0就完成了
    return out


def conv_fast(x, h):

    Hi, Wi = x.shape# Hi为待处理矩阵的高（行），Wi为待处理矩阵的宽（列）
    Hh, Wh = h.shape# Hh为卷积核的高（行），Wi为卷积的宽（列）
    out = np.zeros((Hi, Wi))# 相当于占位

    pad_height = Hh // 2   #mode为same情况下，填充0的数量取决于卷积核h的尺寸
    pad_width = Wh // 2
    image_padding = zero_pad(x, pad_height, pad_width)
    h_flip = np.flip(np.flip(h, 0), 1) #np.flip 是翻转函数,参数0为上下翻转也就是行翻转,而参数1为左右翻转也就是列翻转

    for i in range(Hi):
        for j in range(Wi):
            out[i][j] = np.sum(np.multiply(h_flip, image_padding[i:(i+Hh), j:(j+Wh)]))# 加权求和后写入结果到out对应位置

    return out

x = np.array([[1,2,3,4],
     [5,6,7,8],
     [9,10,11,12],
     [13,14,15,16]])
h = np.array([[-1,-2,-1],
     [0,0,0],
     [1,2,1]])

print('conv2d(x,h) :')
print(conv_fast(x,h))
#输出：
conv2d(x,h) :
[[-16. -24. -28. -23.]
 [-24. -32. -32. -24.]
 [-24. -32. -32. -24.]
 [ 28.  40.  44.  35.]]

以上便是卷积的含义以及一维卷积和二维卷积的计算过程。
如果对您有所帮助请点个赞吧。
后续我还会介绍，不同框架下对于卷积计算方式的优化，以及一些图片卷积的可视化的结果。
敬请期待！