花 5 分钟记住这一点：在深度学习中，卷积就是一个特征提取器！

有很多不同专业的同学，在刚开始做深度学习时，总是会以本专业的知识视角来理解一些算法，然后就会造成一些知识误解。

常见的就是对深度学习中卷积算法的理解。

其实，深度学习中的卷积算法，可以认为是一种“不那么严格”的算法，它无法和数学中严格的卷积定义比较，也无法和其他专业比如信号处理中的卷积相类比。

因为其计算逻辑略有不同。

比如一个常见的疑问会是：为什么深度学习中的卷积核不需要旋转180度呢？

这个问题你可以看本文最后给出的链接，我之前专门写过一篇文章来回答这个问题。

在深度学习中，你只需要记住一点：把卷积看做一个特征提取器就可以了。

如何理解这个特征提取器呢？

1. 先看乘累加的特征融合

在矩阵乘法的本质一文中，我们从数学运算的角度揭示了矩阵乘法的本质是特征的融合和再创。

卷积算法，其实也是一种特征提取。

可以回想一下在介绍卷积的时候，描述的卷积运算的场景：一个窗口在图片上滑动，窗口中的数值是卷积核的参数，也就是权值。

卷积的计算是乘累加，和矩阵乘法一样，卷积在每一次扫描的过程中，就是完成了权值数据和输入图像的乘累加运算。

如果把上图中输入数据的数值看做特征，通过乘累加运算，完成的就是特征融合，或者叫作特征的提取。

2、特征提取器

在很多神经网络，都可以看到以卷积为主的骨干网络(BackBone Network)。

比如大名鼎鼎的 Yolo 系列，会将以卷积为主的 resnet 网络当做自己的骨干网络，其目的就是为了使用 resnet 进行图片的特征提取。

然后完成后面的图像检测功能。

图源：江大白

再比如，之前介绍小米汽车的占用网络时，可以看到在特斯拉的占用网络中，也存在 resnet 作为特征提取器的身影。

上图是特斯拉占用网络架构图，红框为resnet为主的特征提取器。

这是因为 resnet 中有大量的设计好的卷积层，因此，大部分将 resnet 作为骨干网络的神经网络，都是把 resnet 这一部分结构当做一个图像的特征提取器来使用。

而网络中的其他结构，是在对 resnet 提取出来的特征进行更进一步的操作。

看到这，是不是就对卷积这一算法有了一个新的认识了呢？

延伸阅读：卷积核到底需不需要旋转 180 度？