不一样的卷积

最开始看到卷积的时候是在一本关于信号的书中，当时只学会了如何去计算它，后来随着卷积用到的地方越来越多，有了自己的感觉。本文是天马行空的写，想要好好学习卷积的不建议看，纯属娱乐。（虽然极大概率没啥用，不过应该很有意思）

前言

卷积的定义一般在网上都能查到，这里就不再赘述了，本文主要阐述本人对卷积的理解，可能是千千万万种理解之一，当然，也可能存在问题。如有指正之人，欢迎之至！
假设你已经知道怎么计算卷积。

卷积之初印象

先看看卷积是怎么计算的吧，过程就不描述了，一切jin，卷积还是有那么几个参数可以进行不同的卷积的，主要参数的有卷积核的形式及大小，卷积步长及方式等。

动图引自（侵删）https://www.cnblogs.com/SivilTaram/p/graph_neural_network_2.html

为什么要使用卷积

抛开卷积的历史发展（主要原因是我没去调研），以图像为例，也就是一个二维的矩阵，包含了很多像素点。
简单点，假设有个图像（矩阵），如果我们再复制同样的一个图像（矩阵），矩阵中每个点对应相加、减、乘、除各尝试一下，得到4个矩阵（图像）。由于像素数值大小仅限于0-255，还需经过映射，将最小的值映射为0，最大的值映射为255，然后其他值按比例映射，这样就可以成为另一幅图片了。我们会发现，这4张图片使用减和乘的那两张并没有啥用，因为图片的信息经过这样计算后全都损失了。

显然，经过很不严格的说明，加法与乘法更适合保留图像的信息。一般来讲，简单的加法很难保存很多的信息，甚至会引入更多的噪声。没有证明，没有证明，没有证明，纯属简单的猜想。举个例子，假设有两个数字10和5，经过加法计算，最终得到15，如果不考虑顺序，两个数字就有8种可能（只考虑两个数字是正整数和0的情况），如果使用乘法得到50，也不考虑顺序，两个数字只有3种可能。那假如是47呢，一般来讲，任意两个数字，使用乘法后，要恢复出原本的两个数字，乘法相对于加法更加容易（从另一个角度来看，就是乘法引入更少的噪声）。
进一步猜想，如果引入平方，幂呢？本人的想法是，可行甚至噪声更少，但计算量增大，存储性能会降低很多，在大数据面前，得不偿失。（在某些方面，说不定会有意想不到的效果喔！）

现在暂时确定计算方式，使用乘法。
那么问题来了，使用乘法后得到图片虽然极大的包含了原始图片的信息（增强了图片的某些信息，也减弱了图片的某些信息，并增加了一些噪声），但是大小与原始图片一样。

未完待续…