更好理解卷积

为什么使用卷积

对于一个3层隐藏层的全连接来识别手写体图片（28*28），内存消耗1.6MB，对于当时来说过于庞大（16K内存）

借助生物学的概念，注重感兴趣的地方，称之为感受野，看到的区域也是图片中的一个小块。

提出了卷积神经网络的概念，卷积也就是指局部的相关性。权重减少为原来的1/6。

卷积

一个共享权值的小滑块再图片上移动，对应位置与滑块的权值相乘，一一得到一个值。

卷积较比于全连接，它是784个神经元做全连接，需要784个权值，现在3*3卷积只有9个权值。

对于一张图片，全连接与卷积的区别如上。

常规卷积的应用

• 锐化
• 模糊
• 边缘检测

CNN作用

CNN也是使用多个卷积核（自学习），可以对图片生成锐化、模糊、边缘检测的效果。

H、W分别为卷积之后生成的高和宽的大小

卷积一个kernal（Filier、Weight都是一个概念）指得是对应RGB的三个（3*3）模板

一个kernal进行一次卷积指得是3个3*3的模板求完卷积，再将这三个的卷积结果相加得到的值。

对于一个黑白图input(1,28,28)

卷积的kernal为（6，1，3，3）,最终生成6个feature,其中通道数是1。偏移为[6]。

第二次卷积kernal(16,6,3,3),自己随意设置生成feature个数，这里设置成16，其中，对上一层的6个feature做卷积，卷积的kernal的大小为3*3

卷积的每一层的特征提取

pytorch实现