卷积核_CNN(卷积神经网络)卷积核的特征提取

原创 荣君宇

CNN，作为一个经典的神经网络模型，我们并不陌生。CNN包含若干个卷积层和池化层。池化层相对简单，对于减少神经元数量，功不可没。而卷积层，才是我们理解的一个难点。 我们知道卷积层可以提取不同的特征。对CNN的训练，重点就是训练出来各种各样的卷积核来提取特征。初学者在学习CNN时，往往会面临一个问题，知道CNN的输出是如何计算的，也知道如何利用基于链式求导法则的反向传播算法去训练网络，却不知道为什么CNN能够提取图片特征，卷积核里面的那几个数字背后的意义和原理。 今天，我们就从特征提取来分析一下卷积核的作用。

一 对图像灰度的求导 提取特征，关键是要找到特征变化的分界点--特征的边缘。想象一下，特征的边缘具有什么特点? 边缘意味着两侧图像的灰度变化会很大。对数学比较敏感的同学，一提到变化，会想到导数。导数用来衡量变化率的大小，对于图像也是如此。下面是一个灰度变化的例子。

图中，原信号代表了原图象灰度的变化，第二行和第三行分别是对灰度的一阶导数和二阶导数。对比一阶导数图像和二阶导数图像，可以发现，二阶导数相比于一阶导数，对边缘有着更好的响应。因为对于灰度渐变区域，二阶导数可以识别出图像渐变区域的边缘。在实际中，我们可以根据实际情况来决定使用一阶导数还是二阶导数，在这里，我们用二阶导数来举例子。