卷积后的特征有负数吗?_【技术观点】CNN卷积层与激活函数

一、卷积层

首先要进行说明的是，我们常说的CNN（卷积神经网络）中的“卷积”其实并不是真正意义上图像处理中常用的二维离散卷积（convolution），它的真实名字叫做“互相关”（cross-correlation）。本文将分别对互相关和二维离散卷积的计算方式进行说明。（本文还是按惯例称CNN中的互相关操作为卷积，在讲解具体计算方式的时候再加以区分）

卷积层的作用是什么呢？

卷积层就是用来提取图像的特征。因此它是识别图像最核心的部分。

那么卷积层如何提取特征呢？

我们先来了解下什么是卷积操作。图像在计算机看来就是像素点组成的矩阵，对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：可以看做一个恒定的滤波器filter也叫作卷积核）做内积（逐个元素相乘再求和）的操作就是卷积。卷积层就是利用卷积核（也叫滤波器）来提取图像的特征。不同的卷积核可以得到不同的特征。如下图所示

在正式介绍之前，我们先来讲一下有关的基本概念。

1）特征映射（feature map）：输入图像和卷积核卷积后生成的矩阵。

2）感受野：在卷积神经网络CNN中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野receptive field。我们看这段定义非常简单，用数学的语言就是感受野是CNN中的某一层输出结果的一个元素对应输入层的一个映射。再通俗点的解释是，feature map上的一个点对应输入图上的区域。

如下图所示，左侧的矩阵为输入的图像，左侧矩阵中蓝色框表示此时的感受野，把感受野内的矩阵与中间层也就是卷积核做内积的运算，就得到了右侧的feature map中的一个值。

当给你一张新的图时，CNN并不能准确地知道这些features到底要匹配原图的哪些部分，所以它会在原图中每一个可能的位置进行尝试。根据给定的步长stride࿰