Understanding Convolutions/理解卷积(4)

    两个维度的卷积层如何呢？

    两个维度的线路对应二维卷积。

    考虑上面提到的查找图片边界的例子，通过滑动kernel函数将其应用到每个小块。像这样，一个卷积层将应用于图片的每个块。

结论

    这边文章介绍了不少数学机制，但是我们能够获得什么并不明显。在概率论和计算机图像学中卷积很有用，但是我们从基于卷积的神经网络中获取到什么呢？有理方式。

    首先是我们有了描述网络结构的强有力方式。目前我们所举的例子还不够复杂，无法清晰的表示这种优势，但是卷积避免了我们大量的簿记工作。

    第二是，卷积实施起来优势明显。许多库文件有高效的卷积程序。此外，尽管卷积复杂度是,借助数学知识是可能将复杂度降到复杂度的。未来的文章中我们会详细讨论这点。

   事实上，基于GPU的并行卷积对于最近的计算机视觉进程发展是至关重要的。

下一篇文章

   这篇文章是神经网络和它们的概括文章的一部分。对于熟悉神经网络的朋友来说只是个回顾，但是后面的文章每个人都会有兴趣。