卷积相关2021-09-23

• 卷积过程是在图像每个位置进行线性变换映射成新值的过程，可以将卷积核看作权重，拉成向量记作 $w$ ，图像对应位置的像素拉成向量记作 $x$ ,那么卷积结果就为 $y=w^{}x+b$ ，即向量内积+偏置b
• 可以理解为多层卷积是在进行逐层映射，整体构成一个复杂函数，训练过程是在学习每个局部映射所需要的权重，训练过程可以 看成是函数拟合的过程。
• 通过多层卷积，将简单模式组合成复杂模式，这种灵活的组合能保证具有足够的表达能力和泛化能力。

多层卷积抽取复杂特征：

• 每层得到的特征图直接观察室看不出什么的，因为其中每个位置都代表了某种模式，需要在这个位置将模式复现出来才能形成人能够理解的图像。
• 卷积神经网络每层的卷积核权重是由数据驱动学习得来，不是人工设计，
  
• **数据驱动卷积神经网络逐层学到由简单到复杂的特征，复杂模式是由简单模式组合而成。**例如layer4的狗脸是由layer3的几何图形组合而成，layer3的几何图形是由layer2的纹理组合而成，layer2的纹理是由layer1的边缘组合而成，从特征图上看，layer4特征图上一个点代表layer3某种几何图形或者表面的组合，layer3特征图上一个点代表layer2某种纹理的组合，layer2特征图上一个点代表layer1某种边缘的组合。
• 不同的边缘 -> 不同纹理 -> 不同几何图形和表面 -> 不同的狗脸、不同的物体。前面层模式的组合可以多种多样，使后面层可以描述的模式也可以多种多样，所以具有很强的表达能力，泛化能力更强。