一维卷积filter_深度学习卷积神经网络基础

之前的推送介绍了一些深度学习中一些简单的模型，如线性回归、softmax回归、多层感知机，今天将介绍卷积神经网络的一些基础知识，主要包括互相关运算、卷积层、特征图与感受野、多输入通道与多输出通道以及池化层。

0 1卷积层

卷积神经网络中最常见的是二维卷积层，常用于处理图像数据。在介绍卷积层之前，先介绍一下互相关运算，以二维互相关运算为例。

二维互相关(cross-correlation)运算的输入是一个二维输入数组和一个二维核(kernel)数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器(filter)。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素。例如， 。这里的核也就是类似于遥感图像处理里面的算子，例如可用来进行边缘检测。

二维卷积层将输入和卷积核做互相关运算，并加上一个标量偏置来得到输出。卷积层的模型参数包括卷积核和标量偏置。

卷积层得名于卷积运算，但卷积层中用到的并非卷积运算而是互相关运算。我们将核数组上下翻转、左右翻转，再与输入数组做互相关运算，这一过程就是卷积运算。由于卷积层的核数组是可学习的，所以使用互相关运算与使用卷积运算并无本质区别。

0 2特征图与感受野

二维卷积层输出的二维数组可以看作是输入在空间维度(宽和高)上某一级的表征，也叫特征图(feature map)。影响元素的前向计算的所有可能输入区域(可能大于输入的实际尺寸)叫做的感受野(receptive field)。以上图为例，输入中阴影部分的四个元素是输出中阴影部分元素的感受野。我们将图中形状为的输出记为，将与另一个形状为