关于卷积神经网络的点滴（二）——理解卷积

      什么是卷积？什么是图像卷积操作？什么是卷积神经网络？一开始一头雾水，通过几天时间的百度、知乎、B站、看书学习等方式去了解，不断通透！今天先理一理“卷积”！

        卷积的英文单词convolution，词根vol就有旋转的意思。百度百科的解释是：在泛函分析中，卷积、旋积或褶积是通过两个函数F和G生成第三个函数的一种数学算子，表征函数F与G经过翻转和平移的重叠部分函数值乘积对重叠长度的积分。

       教科书上一般定义为函数的卷积如下：（偷懒，直接截图）

       

 先对函数进行了翻转，然后平移了，（连续形式是积分，离散形式当然是只能求和了）但是为什么要先翻转变为再平移？本来想在网上找一个现成的例子，但都讲得比较难懂，我想了一个例子来帮助理解。

         有两个函数，函数表示仓库某时刻的进货量，函数表示某时刻仓库的出货率。

参见上图， 如果不考虑出货，仓库也不是连续进货，只在5:00和8:00进货了，则在11:00时，仓库的存量为：f(5)+f(8)，这就是离散的情况；如果假设仓库时时刻刻在不停地进货，则在11:00时仓库的存量就是函数f(t)在0-11的一个积分，这就是连续的情况。

 如果考虑仓库还在不停地出货，那就还要考虑出货率函数g(t)了。

离散的情况：11:00时，仓库的存量为：f(5)*g(11-5)+f(8)*g(11-8)。

连续的情况：就是f(x)*g(t-x)在0-11上的一个积分。

那为什么要进行翻转和平移呢？参见下面两个图！

     

 上图中每一条连线都对应着一个,最后把所有的值都加起来就是求在上的积分。但是此图看起来很别扭，如果将函数翻转180°再平移，就得到下图：

 这应该就是“卷积”进行翻转平移的物理含义！（表征函数f与g经过翻转和平移的重叠部分函数值乘积对重叠长度的积分），总结一下就是：一个系统，如果它的输入是不稳定的，输出是稳定的，就可以利用卷积求系统存量。

        卷积神经网络是不是在数据输入神经网络之前，要进行一个卷积操作呢？什么是图像卷积操作？后面几天时间整理出来 共享！