本文介绍了卷积层的概念，包括卷积操作、局部感知、参数共享和多核卷积。卷积层通过局部感知和参数共享提取图像特征。全连接层作为分类器，参数冗余较高。通过特定的卷积操作，可以实现全连接层的功能。
卷积层（Convolution）
关于卷积层我们先来看什么叫卷积操作： 下图较大网格表示一幅图片，有颜色填充的网格表示一个卷积核，卷积核的大小为3*3。假设我们做步长为1的卷积操作，表示卷积核每次向右移动一个像素（当移动到边界时回到最左端并向下移动一个单位）。卷积核每个单元内有权重，下图的卷积核内有9个权重。在卷积核移动的过程中将图片上的像素和卷积核的对应权重相乘，最后将所有乘积相加得到一个输出。下图一个8x6的图片经过卷积后形成一个6*4的图。
卷积层的作用----局部感知
:使用局部感知的原因是一般人们认为图片中距离相近的部分相关性较大，而距离比较远的部分相关性较小。在卷积操作中步长的设置就对应着距离的远近。但是步长的设置并无定值需要使用者尝试。
参数共享
在介绍参数共享前我们应该知道卷积核的权重是经过学习得到的，并且在卷积过程中卷积核的权重是不会改变的，这就是参数共享的思想。这说明我们通过一个卷积核的操作提取了原图的不同位置的同样特征。简单来说就是在一幅图片中的不同位置的相同目标，它们的特征是基本相同的。其过程如下图：
多核卷积
如权值共享的部分所说我们用一个
最低0.47元/天 解锁文章
扫一扫
7123
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
