神经网络（十一）卷积运算DLC

最新推荐文章于 2022-10-20 23:45:00 发布

ViperL1

最新推荐文章于 2022-10-20 23:45:00 发布

阅读量1k

点赞数

分类专栏：神经网络学习笔记文章标签：神经网络深度学习机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_37878740/article/details/126665570

版权

学习笔记同时被 2 个专栏收录

155 篇文章 14 订阅

订阅专栏

72 篇文章 16 订阅

订阅专栏

卷积，主要用于信号的延迟累积，其输出结果是当前时刻产生的信息与之前时刻的延迟信息的叠加

如： $y_t=1 \times x_t+\frac{1}{2}\times x_{t-1}+\frac{1}{4}\times x_{t-2}$

一、一维卷积

$y_t=\sum_{k=1}^Kw_kx_{t-k+1}$

实质是 $w_k$ 滤波器（或称卷积核）与信号的卷积； t为时刻，K为滤波器长度(总长)

实质上，单次的卷积运算可以定义为： $y=w*x$

*为卷积计算，数学上使用傅立叶变化，神经网络中一般转换为矩阵相乘

滤波器一般表达为 $w=[k_1,k_2,...k_n]$ ，卷积相当于信号进行加权平移

①例如滤波器为 $w=[1,-2,1]$ 时，实现对信号序列的二阶微分为

${x}''(t)=x(t+1)+x(x-1)-2x(t)$

②又如滤波器为 $w=[\frac{1}{3},\frac{1}{3},\frac{1}{3}]$ 能检测低频信号， $w=[1,-2,1]$ 能检测高频信号

二、二维卷积

$y_{ij}=\sum_{u=1}^U\sum_{v=1}^V w_{uv}x_{i-u+1,j-v+1}$

可以将净输入视为图像上的一个点(坐标为 i , j )，与滤波器 w 进行卷积 $Y=W*X$

图例如下：

一般在处理图像的时候使用均值滤波，既当前图片的像素平均， $w_{uv}=\frac{1}{UV}$

图像进过卷积操作的结果被称为特征映射

三、互相关

通过互相关操作来代替卷积核翻转，以减少不必要的运算开销。一般通过滑动窗口的点积来实现。

对于给定的图像X和卷积核W，其互相关为

$y_{ij}=\sum_{u=1}^U\sum_{v=1}^Vw_{uv}x_{i+u-1,j+v-1}$ 等价于 $Y=W\otimes X=rot180(W)*X$

其中rot180代表旋转180°

1.卷积变种

通过引入滑动步长和零填充来增加卷积的多样性

滑动步长：卷积核滑动时的间隔

零填充：在向量两端补0

卷积变种的类型：

①窄卷积：步长S=1，两端不补零P=0，输出长度为M-K+1

②宽卷积：步长S=1，两端补零P=K-1，输出长度为M+K-1

③等宽卷积：步长S=1，两端补零P=(K-1)/2，输出长度M

2.卷积的数学性质

①交换性

$W \widetilde{\otimes }X\overset{\Delta}{=}W \otimes \widetilde{X}$ $rot180(W)\widetilde{\otimes }X=rot180(X)\widetilde{\otimes }W$

②导数

$\frac{\partial f(Y)}{\partial X}=rot180(\frac{\partial f(Y)}{\partial Y})\widetilde{\otimes}W=rot180(W)\widetilde{\otimes}\frac{\partial f(Y)}{\partial Y}$

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
神经网络（十一）卷积运算DLC

卷积详解
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。