本文详细解释了卷积在神经网络中的作用，包括其物理意义、数学模型以及边缘填充的重要性。通过卷积核控制像素间影响，卷积操作用于提取图像特征，边缘填充则确保边缘信息的完整保留。
**
什么是卷积？
**
convolution卷积
superposition叠加
1在神经网络中作用是提取图片局部特征
2作为过滤器过滤一些特征
其实图片的卷积是将数学上的卷积概念直接进行了翻转，因此直接进行对应的运算。
1.物理意义上的卷积可以看作是一个不稳定输入（增加系统总量）和稳定输出（减少系统总量）的系统的某个节点时刻的系统余量。
2.迁移到卷积核上，即借鉴了每个时刻输入对最后余量会带来影响，而卷积操作可以认为是周围的像素对当前像素点怎么产生影响的，而卷积核即是控制怎么去影响当前像素点的操作子。
3.再由上迁移一步，则我们可控制这个操作子来对控制对当前像素的影响，比如平滑卷积核，垂直边界过滤器，水平边界过滤器，从而可通过控制卷积核来提取相应的特征。
简单说
卷积的三层含义：
1.一个系统有不稳定的输入和稳定的输出，那么可以通过卷积去计算这个系统的存量。
2.一个卷积核规定了周围像素点对当前像素点如何产生影响。
3.一个过滤器的卷积核规定了一个像素点会如何试探周围的像素点，如何筛选图像的特征。
卷积过程中一些问题
在边缘填充0不是为了获得和原来一样大的区域。你可以设想卷积核在原来的区域上移动的时候，最左右上角和最左右下角的像素点都只被卷积核卷积过一次，而原区域最中间的像素点会被卷积好多次。这意味着边缘的点对特征提取做出的贡献没有中间的点多，这会导致原图像边缘信号缺失。经过边缘填充以后（即在区域边缘加一圈或两圈0），就可以使原来的边缘区域也尽可能多的参与卷积，保留边缘信息。
tips
卷积核:本质就是求周围其他像素点对自己的影响
g函数规定了影响的规则
平滑卷积操作:求周围像素点与自己总和的均值
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
