卷积在深度学习中的作用

  转自  http://www.mamicode.com/info-detail-2340306.html

         卷积可能是现在深入学习中最重要的概念。卷积网络和卷积网络将深度学习推向了几乎所有机器学习任务的最前沿。但是，卷积如此强大呢？它是如何工作的？在这篇博客文章中，我将解释卷积并将其与其他概念联系起来，以帮助您彻底理解卷积。

什么是卷积？

        将卷积想象为信息的混合。想象一下，有两个桶装满了信息，这些信息被倒入一个桶中，然后按照特定的规则混合。每桶信息都有自己的配方，用于描述一个桶中的信息如何与另一个桶混合。因此，卷积是一个有序的过程，两个信息来源交织在一起。

我们如何对图像应用卷积？

          当我们对图像应用卷积时，我们将其应用于两个维度 - 即图像的宽度和高度。我们混合两个信息桶：第一个桶是输入图像，它总共有三个像素矩阵 - 每个矩阵用于红色，蓝色和绿色通道; 一个像素由每个颜色通道中0到255之间的整数值组成。第二个桶是卷积核，一个浮点数的单个矩阵，其中模式和数字的大小可以被认为是如何在卷积操作中将输入图像与内核交织在一起的配方。内核的输出是经过改变的图像，在深度学习中经常被称为特征图。每个颜色通道都会有一个功能图。

                                        

                                                           图像与边缘检测器卷积核的卷积

             我们现在通过卷积执行这两个信息的实际交织。应用卷积的一种方法是从内核大小的输入图像中获取图像补丁 - 这里我们有一个100×100图像和一个3×3内核，所以我们需要3×3补丁 - 然后执行与图像补丁和卷积核的元素明智的乘法。这个乘法的和然后导致   特征映射的一个像素。在计算了特征映射的一个像素之后，图像块提取器的中心将一个像素滑动到另一个方向，并且重复该计算。当以这种方式计算了特征映射的所有像素时，计算结束。以下gif中的一个图像补丁说明了此过程。 

                                        

         对结果特征映射的一个像素进行卷积运算：原始图像（RAM）的一个图像块（红色）与内核相乘，并且其总和被写入特征映射像素（缓冲区RAM）。