手撕卷积理论知识（此文重点是对卷积核逆时针旋转180度°）

最新推荐文章于 2024-01-07 10:19:43 发布
最新推荐文章于 2024-01-07 10:19:43 发布
阅读量1k 收藏 3
点赞数 1
分类专栏： 图像处理 OpenCV Python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gx17864373822/article/details/109166811
版权
本文详细探讨了卷积理论，特别强调了卷积核逆时针旋转180度在卷积过程中的作用。通过预处理步骤，包括卷积核的翻转和数据扩边，以及两种不同的实现方法，解释了二维卷积的计算过程。文章以Python代码实现为辅助，帮助读者深入理解卷积在实际应用中的意义。
摘要由CSDN通过智能技术生成

参考文章：

  1. 真正理解卷积（使用Python实现代码）,附,python

卷积在生活中的意义：
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

  1. 一维卷积
    在这里插入图片描述

  2. 二维卷积：二维卷积实现可以分为两大步。
    一是预处理：将卷积核翻转180°，将原始数据扩边（不同的mode（full、valid、same）模式存在不同的扩边方案）；
    二是滑动卷积计算。

最低0.47元/天 解锁文章
肉丸不肉
关注
专栏目录
pytorch 卷积核 2d卷积，卷积核是3维的
jacke121的专栏
01-03 2811
3*3卷积核不降尺寸做法： self.conv_1x1_last = conv_bn_relu(nin=96, nout=96, kernel_size=3, stride=1, padding=1, bias=False) 降尺寸做法： conv_bn_relu(nin=80, nout=96, kernel_size=3, stride=2, padding=1, bias=Fa...
计算机视觉：卷积核的参数是如何得到的？
huanfeng_AI的博客
05-25 4102
在模型学习过程中，更多时候会自动学习到胜过任何之前这些已经确定功能的过滤器。因为神经网络总会根据数据自动学习适合数据的卷积核参数。也就是说，当我们使用卷积核的时候，我们不一定要去使用那些研究者们所选择的这九个数字，而是应该把这矩阵中的 9 个数字当成 9 个参数，然后具体这9个参数是什么？应该由数据决定，并且在之后使用反向传播算法，其目标就是去学习这9 个参数，这9个参数就确定了该过滤器的功能。
二维卷积
qq_49785839的博客
04-11 2632
卷积层的运算其实是输入与核数组（卷积核）的互相关运算。 实际上，卷积运算与互相关运算类似。为了得到卷积运算的输出，我们只需将核数组左右翻转并上下翻转，再与输入数组做互相关运算。 可见，卷积运算和互相关运算虽然类似，但如果它们使用相同的核数组，对于同一个输入，输出往往并不相同。 那么，你也许会好奇卷积层为何能使用互相关运算替代卷积运算。其实，在深度学习中核数组都是学出来的： 卷积层无论使用互相关运算或卷积运算都不影响模型预测时的输出。为了解释这一点，假设卷积层使用互相关运算学出下图中的核数组。 设其他条件不变
深度学习面试题15：卷积核需要旋转180度
weixin_30756499的博客
07-19 1045
目录 　　举例 　　结论 　　参考资料 在一些书籍和博客中所讲的卷积（一个卷积核和输入的对应位置相乘，然后累加）不是真正意义上的卷积。根据离散卷积的定义，卷积核是需要旋转180的。 按照定义来说，一个输入和一个卷积核做卷积操作的流程是： ①卷积核旋转180 ②对应位置相乘，然后累加 举例 下面这个图是常见的卷积运算图： 中间的卷积核...
卷积的时候需要对卷积核进行180的旋转，你知道吗?
09-16 4050
这个问题我之前是有过疑问的，后来不知道又取消了这个疑问。今天又去看了一下github上的那篇文章： DeepLearning-500-questions/ch05_卷积神经网络(CNN)/第五章_卷积神经网络 里面有这么一段 卷积的时候需要对卷积核进行180的旋转！ 这个和平时想的有点不一样啊，平时看到的文章不都是那卷积核直接和图像做卷积的吗？ 网上搜到的卷积操作绝大部分是这样介绍的，拿着卷积核直接和原图进行卷积计算就行了。 实际不是这么回事！ 上面这张图的卷积核已经是原卷积核逆时
什么！卷积要旋转180度？！
leadai的博客
10-24 3206
全文共988个字，6张图，预计阅读时间8分钟。一看这个标题就会想，这有什么大惊小怪的，可能好多人觉得这是个脑残话题，但我确实误解了两三年……今天在读《OpenCV算法精解...
为什么CNN中的卷积核要旋转180度？
J~的博客
02-02 4827
目录 1CNN介绍 2Why Reference 1CNN介绍 推荐看这位大佬的文章：卷积思想理解、Convolutional Neural Network（CNN）卷积神经网络初探 2Why CNN(卷积神经网络)的误差反传(error back propagation)中有一个非常关键的的步骤就是将某个卷积(Convolve)层的误差传到前一层的池化(Pool)层上，因为...
卷积核旋转180度理解
weixin_38383877的博客
04-21 2101
卷积中卷积核旋转180 相关中不旋转 其实在我们计算卷积时，对应元素相乘再相加为中心元素的致之前。这是基于对卷积核已经旋转180的前提。 为什么要旋转，是与公式相关的。 如果直接看推导公式。应该是卷积核未旋转前和图像的运算。 ...
Keras深度学习实战（7）——卷积神经网络详解与实现
盼小辉丶的博客
06-02 1万+
传统深度前馈神经网络的局限性之一是它并不满足平移不变性，且容易受图像中对象大小的影响。卷积神经网络 (Convolutional Neural Network, CNN) 的提出正是用于解决传统神经网络的这些缺陷。即使对象位于图片中的不同位置或其在图像中具有不同占比，CNN 也能够正确的处理这些图像，因此在对象分类/检测任务中更加有效。本节详细介绍了 CNN 的基本概念与计算流程，同时使用 Keras 构建 CNN 模型识别手写数字。.........
【深度学习】CNN 中 1x1 卷积核的作用
热门推荐
frank 的专栏
10-19 1万+
最近研究 GoogLeNet 和 VGG 神经网络结构的时候，都看见了它们在某些层有采取 1x1 作为卷积核，起初的时候，对这个做法很是迷惑，这是因为之前接触过的教材的例子中最小的卷积核是 3x3 ，那么，1x1 的卷积核有什么意义呢？ 最初应用 1x1 卷积核的神经网络是 Network In Network，然后 GoogLeNet 和 VGG 也不约而同的更正了。 他们在论文中解释，大概有下...
求卷积层对卷积核导数旋转180的解释
qq_20028731的博客
04-09 1万+
卷积神经网络反向传导过程中，求卷积层对卷积核导数时，卷积核旋转180度再旋转的那条公式的解释说明。
tensorflow中定义的卷积核不做180旋转？
jiachun199的博客
10-29 239
https://www.cnblogs.com/itmorn/p/11212255.html 在tensorflow中觉得这样很纠结，所以干脆定义的卷积核直接就是旋转后的卷积核，所以tensorflow可以直接对应位置相乘，然后相加
为什么卷积核需要反转180度
最新发布
AI与算法都要通俗易懂
01-07 1124
因此，如果你用 scypi 库中的 signal 模块来计算卷积，是有 180 度反转过程的，因为 scypi 中的计算是严格遵循数学定义的。正因如此，深度学习中的卷积，就直接简化成了卷积核在输入图像上滑窗做乘累加运算，而不再需要像传统卷积那样进行 180 度旋转。在信号处理中，卷积是一种数学运算，用于接受两个信号(如输入信号和系统响应)，从而产生第三个信号，也就是输出。看了这篇文章后，其实不用再疑惑，这个很好理解，首先在深度学习中，卷积算法依然需要旋转。从数学的角度看，卷积运算的定义包括了这个反转步骤。
卷积为什么要旋转180度
weixin_34100227的博客
07-19 2986
2019独角兽企业重金招聘Python工程师标准>>> ...
为什么卷积要翻转/为什么深度学习卷积不翻转/卷积和相关
zhuazengbian9095的博客
03-09 5619
所以究其原因，是因为“时间的相对”，x(t’)过去1秒后，对“现在t"的影响力度是h(1);x(t’’)过去2秒后，对“现在t"的影响力度是h(2);… 站在现在时刻t，向左看，看到的是h(3),h(2),h(1),h(0)，倒过来的 参考 ...
【一维卷积】【二维卷积】
梁小憨憨的博客
12-31 1417
本篇为《深度学习》系列博客的第八篇，该系列博客主要记录深度学习相关知识的学习过程和自己的理解，方便以后查阅。 上篇说道这篇那应该写PCA，但是……，也不知道忙啥了，就一直没写，再拖拖……，用到之后在写吧！！！ 【一维卷积】【二维卷积】一维卷积物理意义数学意义二维卷积二维卷积的实现预处理滚动卷积运算Matlab代码 一维卷积 物理意义 这里主要参考ｂ站《「珂学原理」No. 28「卷积为谁而生？」》，这里就直接放推导过程了。 说一下理解：视频里说的卷积，就是跟“傅里叶变换”、“拉普拉斯变换”一样的，都是对信号的
为什么图像在卷积时，要把卷积核旋转180度？
07-24
图像在卷积时，卷积核需要旋转180度的原因是为了实现卷积操作的数学定义。在卷积操作中，卷积核的每个元素与图像对应位置的像素值相乘，然后求和得到输出的一个像素值。这个过程可以看作是在滑动卷积核时，计算卷积核与图像的重叠区域的点积。 旋转180度的目的在于保持卷积操作的交换律。交换律指的是，如果我们将卷积核旋转180度，然后再对旋转后的卷积核与图像进行卷积操作，得到的结果与原始卷积核与图像进行卷积得到的结果是相同的。这样做的好处是方便计算和实现，因为旋转180度后的卷积核可以视为一个滤波器，其响应特性可以更直观地理解。 总结来说，图像在卷积时将卷积核旋转180度是为了保持卷积操作的数学定义和交换律。这样做使得卷积操作更方便计算和实现，并且能够更直观地理解滤波器的响应特性。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值