神经网络中的卷积

神经网络中的卷积


1.卷积的物理含义

卷积其实就是为冲击函数诞生的。“冲击函数”是狄拉克为了解决一些瞬间作用的物理现象而提出的符号。
卷积是“信号与系统”中论述系统对输入信号的响应而提出的。

卷积在信号处理机制中用途广泛,其中函数f可看做信号的发生,函数g可看做对信号响应,两者的卷积可看作在t时间过去产生的信号经过处理后的叠加

信号处理中如何出现卷积的?假设B是一个系统,其t时刻的输入为x(t),输出为y(t),系统的响应函数为h(t),按理说,输出与输入的关系应该为

Y(t)=h(t)x(t) Y ( t ) = h ( t ) x ( t )

然而,实际的情况是,**系统的输出不仅与系统在t时刻的响应有关,还与它在t时刻之前的响应有关,系统有个衰减过程
所以 t1(t1 < t)时刻的输入对输出的影响通常可以表示为 x(t)h(tt1) x ( t ) h ( t − t 1 ) **,这个过程可能是离散的,也可能是连续的,所以t时刻的输出应该为t时刻之前系统响应函数在各个时刻响应的叠加,这就是卷积,用数学公式表示就是

y(s)=x(t)h(st)dt y ( s ) = ∫ x ( t ) h ( s − t ) d t

离散情况下就是级数了。

幽默诙谐的卷积物理含义:
七品县令打板子:

t个大板子造成的痛苦程度=Σ(第τ个大板子引起的痛苦*衰减系数)
[衰减系数是(t-τ)的函数,仔细品味]
数学表达为: y(t)=T(τ)H(tτ) y ( t ) = ∫ T ( τ ) H ( t − τ )

也可以这样理解:T(τ)即第τ个板子,H(t-τ)就是第τ个板子引起的痛苦到t时刻的痛苦程度,所有板子加起来就是∫T(τ)H(t-τ)

2.卷积的数学表示及计算

卷积是一种积分运算,它可以用来描述线性时不变系统的输入和输出的关系:即输出可以通过输入和一个表征系统特性的函数(冲激响应函数)进行卷积运算得到。(以下用$符号表示从负无穷大到正无穷大的积分)

1)一维卷积:

y(t)=g(k)*x(k)=$g(k)x(t-k)

先把函数x(k)相对于原点反折,然后向右移动距离t,然后两个函数相乘再积分,就得到了在t处的输出。对每个t值重复上述过程,就得到了输出曲线。

2)二维卷积:

h(x,y)=f(u,v)*g(u,v)=$$f(u,v)g(x-u,y-v)

先将g(u,v)绕其原点旋转180度,然后平移其原点,u轴上像上平移x, v轴上像上平移y。然后两个函数相乘积分,得到一个点处的输出。

卷积运算是向量的内积,即向量的点积运算。如此则,可以看作是一串内积运算.既然是一串内积运算,则我们可以试图用矩阵表示上述过程。
[ 2 3 1 0 0 0]
[ 0 2 3 1 0 0]==A
[ 0 0 2 3 1 0]
[ 0 0 0 2 3 1]
[0 0 2 5 0 0]’ == x
b= Ax=[ 2 11 19 10]’

3.卷积的具体应用

  • 图像处理的中应
  • 卷积在数据处理中用来平滑,卷积有平滑效应和展宽效应
  • 卷积关系最重要的一种情况,就是在信号与线性系统或数字信号处理中的卷积定理。利用该定理,可以将时间域或空间域中的卷积运算等价为频率域的相乘运算,从而利用FFT等快速算法,实现有效的计算,节省运算代价

[1]卷积的物理含义参考:曼陀罗彼岸花的博客: 《卷积的本质及物理意义(全面理解卷积)》
[2]卷积:向量的内积
[3]卷积物理含义之信号处理
[4] 卷积神经网络,继续深入学习!!!

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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