两个常数的卷积为多少_基础积累 | 关于卷积的一个简单又生动的比喻

点击上方“AI算法修炼营”，选择加星标或“置顶”

标题以下，全是干货

来自 | 知乎 作者丨1335 来源丨https://www.zhihu.com/question/22298352/answer/1071892762 仅作学术交流，如有侵权，请联系删文 我来举个通俗易懂的例子吧。我大一是这么理解记忆的，到现在大四一直没忘记过。 要理解卷积，就必须树立起来“瞬时行为的持续性后果”这个概念。 举个例子。在一个时刻点，我以迅雷不及掩耳之势吃下了一个冰激凌，此时我的体重瞬间增加，之后随着消化吸收能量利用和排泄等生理活动的进行，我的体重又缓慢下降。如下图所示：

我们把这个函数记为 。我们把基础体重记为0，即没吃冰淇凌的时候体重是0，吃冰淇凌的效果过去了之后体重还是0。我们记每一个冰淇凌带来的瞬间体重增加为 。易知， 。 如何理解“瞬时行为的持续性后果”呢？在这个例子里，吃冰激凌是瞬间完成的动作，是一个瞬时行为；吃完冰激凌之后的体重的缓慢下降是持续了一段时间的，因此是吃冰激凌这个瞬时行为的一个持续性后果。 此时，只有在0时刻的瞬间吃了一个冰淇凌，在0时刻的瞬间，吃冰淇凌的速度是 ，其中 表示极小的一个时间段；在其他时刻，吃冰淇凌的速度为0。因此，我们可以用一个冲击函数  来表示在这种情况下吃冰淇凌的速度。表示的是，当吃冰淇凌的速度为冲击函数的时候，对我的体重的影响。 接下来我们考虑，我吃冰淇凌的频率很低，且每次只在一个瞬间吃一个冰淇凌，每次都等到体重恢复到原来的程度了再吃一个，那么我的体重变化就是这样子的。

这种情况下，如果我想要知道每一个时刻的体重，只需要知道我吃每个冰淇凌的时刻 ，再知道吃一个冰淇凌的效果 ，很容易就能求出来了。 接下来，我们考虑，如果我吃冰淇凌的速度恒定为1(注意不是一瞬间吃一个了，不是冲击函数)，且时时刻刻都在吃冰淇凌，那么，在我连续吃了时间的冰淇凌之后，我的体重是多少呢？ 这个问题是不是有点不好算了呢？之前的冰淇凌增加的体重还没降到0呢，现在的冰淇凌带来的体重就又来了，还一直持续，还是连续的，想想就头疼。 这个时候，要引入两个个原理 。 第一，线性原理。即，我在一瞬间吃冰淇凌的个数，会以线性的方式作用在冰淇凌对体重的影响函数  上。我在一个瞬间吃了1个冰淇凌，之后我的体重变换是 ，如果我在一个瞬间吃了0.5个冰淇凌，之后我的体重变换是 ，如果n个呢，那就是 。 第二，累加原理。即，冰淇凌的作用效果是可以累加的。即，一段时间之前我吃了一个冰淇凌，经过了一段时间的体重下降，现在我的体重是 。现在我又吃了一个冰淇凌，体重又增加了。假设这个增加是可以累积的(直观上也是可以累积的)，那么我的体重就会是。这就是累加原理。 这时我们来试着计算，在从开始就不停地吃冰淇凌，且吃冰淇凌的速度恒定为1的情况下，在任意时刻我的体重。 由于我在不停地吃冰淇凌，所以，我们先算，在某时刻 附近的一瞬间，我吃的冰淇凌对现在时刻 的我的体重的影响。因为，吃冰淇凌的速度是1，时间是，因此，在这一瞬间我吃的冰淇凌的个数是 。那么根据线性原理，在这一瞬间，我吃的冰淇凌对现在时刻 的我的体重的影响就是 。 那么，根据累加原理，现在时刻 的我的体重就是：从0到 时刻我吃的所有冰淇凌对我的体重的影响的累加，即为： 上面这个式子是不是有点像我们学过的卷积了呢？ 我们上面的讨论基于我们吃冰淇凌的速度是常数1，那么，如果我吃冰淇凌的速度不是常数，而是一个连续变化的函数，如在t时刻，吃冰淇凌的速度是 。那么，在我连续吃了时间的冰淇凌之后，我的体重是多少呢？ 同样，我们先算，在某时刻 附近的一瞬间，我吃的冰淇凌对现在时刻 的我的体重的影响。因为，吃冰淇凌的速度是 ，时间是，因此，在这一瞬间吃的冰淇凌的个数是 。那么根据线性原理，在这一瞬间，我吃的冰淇凌对现在时刻 的我的体重的影响就是 。 再根据累加原理，现在时刻 的我的体重就是：从0到 时刻我吃的所有冰淇凌对我的体重的影响的累加，即为： 这就是大家平时接触到的卷积了！ 因此，在我的理解下，我将卷积解释为： 一个对象(本文中的吃冰淇凌)对一个系统(本文中的体重)的作用效果满足线性原理、累加原理。该对象对这个系统连续作用了一段时间后，求该系统的状态。这个时候，一个卷积就可以求出来了！ 在卷积 中，第一个函数  表示这个对象对系统的作用速度。第二个函数  表示当作用速度为单位冲击函数时这个对象对系统的作用效果。 我们来验证一下第二个函数 的意义。取我吃冰淇凌的速度为单位冲击函数 ，则到时刻 我的体重就是： 的的确确就是我吃冰淇凌的速度为单位冲击函数时，我的体重的变换。 最后，是一点说明。 课本上标准的卷积其实长成下面这个样子，积分区间是 。 这个在我这个case里也比较好理解，主要是考虑到时间的物理意义。 第一，理解当 时， 恒成立。这个比较容易理解，因为，我在 时刻吃的冰淇凌，对吃冰淇凌之前也就是 时刻的我的体重是没有影响的。所以，当 的时候， ，。 第二，理解当时， 恒成立。这个更好理解，就是时间非负性。我是从 时刻开始吃冰淇凌的， 表示我在 时刻吃冰淇凌的速度。的时候，我还没吃冰淇凌呢 ，自然不存在吃冰淇凌的速度这个概念。 所以， 在其他的case里，情况就不一样了。 1、某一个对象的作用域可能不是时间域，不必遵循时间上的因果律。因此，当 时， 。 2、某一个对象的作用域可能不是时间域，作用域存在负数的可能性。因此，当 时， 。 基于以上两点考虑，积分区间就是，也就是课本上标准的卷积形式了！

目标检测系列

秘籍一：模型加速之轻量化网络

秘籍二：非极大值抑制及回归损失优化

秘籍三：多尺度检测

秘籍四：数据增强

秘籍五：解决样本不均衡问题

秘籍六：Anchor-Free

视觉注意力机制系列

Non-local模块与Self-attention之间的关系与区别？

视觉注意力机制用于分类网络：SENet、CBAM、SKNet

Non-local模块与SENet、CBAM的融合：GCNet、DANet

Non-local模块如何改进？来看CCNet、ANN

语义分割系列

一篇看完就懂的语义分割综述

最新实例分割综述：从Mask RCNN 到 BlendMask

超强视频语义分割算法！基于语义流快速而准确的场景解析

CVPR2020 | HANet:通过高度驱动的注意力网络改善城市场景语义分割

基础积累系列

卷积神经网络中的感受野怎么算？

图片中的绝对位置信息，CNN能搞定吗？

理解计算机视觉中的损失函数

深度学习相关的面试考点总结

自动驾驶学习笔记系列

 Apollo Udacity自动驾驶课程笔记——高精度地图、厘米级定位

 Apollo Udacity自动驾驶课程笔记——感知、预测

 Apollo Udacity自动驾驶课程笔记——规划、控制

自动驾驶系统中Lidar和Camera怎么融合？

竞赛与工程项目分享系列

如何让笨重的深度学习模型在移动设备上跑起来

基于Pytorch的YOLO目标检测项目工程大合集

目标检测应用竞赛：铝型材表面瑕疵检测

基于Mask R-CNN的道路物体检测与分割

SLAM系列

视觉SLAM前端：视觉里程计和回环检测

视觉SLAM后端：后端优化和建图模块

视觉SLAM中特征点法开源算法：PTAM、ORB-SLAM

视觉SLAM中直接法开源算法：LSD-SLAM、DSO

视觉SLAM中特征点法和直接法的结合：SVO

2020年最新的iPad Pro上的激光雷达是什么？来聊聊激光SLAM