卷积神经网络（二）

四、什么是卷积

       卷积是分析数学中的一种重要运算，公式如下：

       其为f(x)和g(x)在给定范围内的乘积的积分。可以理解为系统某一时刻的输出是由多个输入共同作用（叠加）的结果。

       在这里数学概念不是主讲，先尽量在逻辑上理解学习卷积神经网络，再在数学上学习效率会高很多。

 

五、以边缘检测为例初步理解卷积过程

       在这里我们引用的例子是吴恩达老师卷积神经网络课程中的例子。吴恩达老师的课非常生动详细，推荐推荐。

       给出一张图片，如何检测图片中的垂直边缘？

        

       这个问题看起来有点复杂，不如从简单的入手，再向复杂推广。

       首先给出一个简单的卷积的示例：

       一张6*6的灰度图，因为只有一个通道，所以是一个6*6*1的矩阵。另有一个3*3的矩阵，这个3*3的矩阵我们称为卷积核，也称为过滤器。至于为啥叫的不同我认为是在卷积神经网络出来之前卷积也用于图像处理，那个时候叫过滤器。后来有了卷积神经网络，又叫卷积核。个人认为本质是一样的。

       注：在这里中间的*表示卷积运算，不是乘法运算

 

       计算的思想为用卷积核（3*3的矩阵）的每个元素从输入矩阵的左上开始对应元素相乘并求和，将结果输入新的矩阵中。

       在这里要注意的是卷积核必须完全覆盖原有图片区域，否则会被判定无效。

       接下来一步一步进行运算：

       第一步：从左上角开始

 

       第二步：右移一步

 

       第三步：再向右右移一步

 

       ……直到完全遍历一遍，我们可以得到如下输出矩阵。

       我们将输入，卷积核，输出写到一起。

       上述就是最简单的一个卷积的过程。

       那么边缘检测是如何实现的呢？

       我们再次给出一个6*6*1的灰度图和一个3*3的卷积核，运用卷积运算得到结果。

       如果把它转化为灰度图可以视为这个样子：

       最后中间的“亮斑”就是检测的垂直结果，这里的结果比较粗糙是因为我们的输入是一个6*6的矩阵，如果是一个1000*1000的矩阵，效果就会好很多。

       当然如果你想进行水平边缘检测，将卷积核换成如下即可：

       以上就是边缘检测的全部内容，通过边缘检测的例子可以初步理解卷积的思想与基本方法。

       那么如何进行彩色图片的卷积呢？又如何进行卷积层的构建呢？

       下次再说吧！

 

       如有问题，欢迎指正！