卷积

卷积的公式：

对于函数 f(x) 或 g(x) 在一个区间（比如负无穷到正无穷）的积分,  可以很好理解为 函数曲线和 x 轴 围成的面积。

对于函数 f(x)g(x) 在一个区间（比如负无穷到正无穷）的积分, 可以将一个函数值理解为权重，或简单理解为两个函数先乘积再积分

为了说明的便利，假设 f(x) = 1, x 定义域为 [-2, -1]; g(x) = x, x 定义域为 [0, 1]

此时 f(x)g(x) 在整个区间的积分是 0，因为两个函数积分不为零的区间不相交，相乘后都是 0

为了让有效积分区间有交集，可以移动其中一个或两个函数，比如平移 g(x) 为 g(x+2)，此时 g(x+2) 的定义域为 [-2, -1]

这时 f(x)g(x+2) 就有了有效积分值，不再是 0

现在还没完，我们希望 f(x)g(x) 是 头尾的值相乘再积分，不再是 头跟头，尾和尾 的次序。

举例来说，你约你老乡（异性）出来玩时带了你舍友，他也带了他舍友，开始你和你舍友寒暄，你舍友和你老乡的舍友一起聊，

但是最后你喜欢和你老乡的舍友聊，其他两人也是一样，那好，你和你舍友交换下，或者你老乡和他舍友交换下

为了达到这样的效果，把 f(x) 或 g(x) 沿着 y 轴翻转，比如 g(x) 翻转为 g(-x)

但是问题来了，此时两个函数乘积的有效积分区域不相交，乘积的积分为 0，上面说过了，此时可以再把 g(-x) 平移，

比如 g(-x+a)

这时还有一个问题，平移多少呢，平移多了，两个函数乘积还是没有有效积分区域，少了也是一样，所以

两个函数乘积的积分就是 平移量 a 的函数了

到这里，文章一开始的 卷积公式 就出来了

但是有一个疑问，为什么 比如说 g(x) 要翻转？

这应该和实际问题有关，比如 f(t) = 1 和 g(t) =1 即输入和激励函数都是定义在 [0, 1] 上的常量函数，则 

\int_{-\infty}^\infty f(x)g(t-x)dx 

在 t = 0 时最大，但考虑实际，应该是在 t = 1 时最大，翻转就是为了解决和实际冲突的问题？

在图像处理方面，卷积核和图像直接作用，时间变量在这里相当于卷积核的平移？

在卷积神经网络中，卷积核是网络学习得到的，甚至不用人为设计，真可谓一劳永逸