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…