【神经网络】从卷积核来理解卷积神经网络在做什么

1. 卷积是什么

• 在泛函分析中，卷积、旋积或摺积(英语：Convolution)是通过两个函数f 和g 生成第三个函数的一种数学算子，表征函数f与g经过翻转和平移的重叠部分的面积。
• 如果将参加卷积的一个函数看作区间的指示函数，卷积还可以被看作是“滑动平均”的推广。

那f和g函数的卷积就可以表示为：

• 连续形式

$$(f\ast g)(n)={\int }_{-\infty }^{\infty }f(\tau )g(n-\tau )d\tau$$

• 离散形式
  $$(f\ast g)(n)=\sum _{\tau =-\infty }^{\infty }f(\tau )g(n-\tau )$$

---

通俗的理解

• 卷积就是一种乘积的方式，只不过呢，不能按照我们惯有的乘法直接乘，得用一种新的方式来乘。
• 就比如，把乘积类比成爬树，但是有些人为了突破身体极限，或者为了锻炼身体等，采用了一种爬树的方式，没错，他们发明了一种新型的爬树方式：倒着爬树！没错，这便是卷积了。显然倒着爬树，还是爬树，但是呢，是一种新型的爬树方式，为了达到新的目地的爬树方式。
• 那两个函数的卷积，本质上就是先将一个函数翻转（爬树将人翻转），然后进行滑动叠加（爬树的动作便是滑动）。

2. 图像和函数卷积的区别

联系

• 图像的卷积借用了函数卷积的形式：滑动，相乘。

区别

• 为了方便理解，假设卷积核的大小为1×1，步长为1，图像的通道数也为1，再假如我们把图像的矩阵【也可以看成一个长向量】的值看作是f(x)，那g(x)【卷积核的参数】则是一个常数，也就是说，g(x)翻转不翻转结果都一样，因为g(x)的不变的。

总结

• 图像的卷积来自于函数的卷积，但是在图像卷积的时候，我们看不到卷的过程，那是因为本来要卷的g(x)的是一个常量，所以说你也可以没卷，也可以说卷了，但是确实有滑动，相乘的形式，所以，称为图像的卷积，也说的过去。

3. 卷积核的作用

• 卷积核用于特征的提取
• 一般来说，卷积核没有1×1或1×1×3的，不过依然可以给图片降维或者升维，卷积核数如果大于当前的图片的通道数，则为升维，小于则为降维

4. 特征提取的含义

我们来看一个3×3的卷积核g

$\left[\begin{array}{ccc}\frac{1}{9}& \frac{1}{9}& \frac{1}{9}\\ \frac{1}{9}& \frac{1}{9}& \frac{1}{9}\\ \frac{1}{9}& \frac{1}{9}& \frac{1}{9}\end{array}\right]$

这是个图片平滑处理的卷积核，那这个卷积核是如何实现了图片的平滑处理的呢？
我们可以把目光锁定在矩阵的最中心的位置，也就是说，一次的卷积运算，我们可以理解为中心位置的像素点的值和周围像素点的值的平均值，我们知道中心像素点，其实就算是整个图片的像素点，所以，整次卷积的完成后，是对整个图片的几乎每个像素做了一次和周围像素的值的平摊，也就是说，把图片里的高值像素点都给变低了，而低值像素点变高了，所以达到了图片平滑的作用。
同理，我们再看一个强化边缘的卷积核

$g=\left[\begin{array}{ccc}-1& -1& -1\\ -1& 9& -1\\ -1& -1& -1\end{array}\right]$

为什么这个卷积可以达到边缘强化的效果呢？
我们还是以中心点的参数和周围的参数看起，其实这就是中心点的像素值乘9，分别减去周围的像素值，所以，中心点和周围的平均值差别越大，就越会保留下来。那什么地方的像素和周围的平均值差别越大呢，可想而知，那便是像素过渡的地方，而过渡的地方那个，就是图像内部物体的边缘，所以卷积后的图片就是一个边缘强化后的特征图片。

随着参数的不同，所以提取的特征也不尽相同，多层的卷积，就可以对特征来提取特征，所以就有更底层的特征。

5. 卷积神经网络

• 对于普通的神经网络来说，数据分别是特征值和标签值；
• 特征图是由不同的特征组成的；
• 图片处理成了不同的特征，当然就可以向普通的神经网络那样来做分类的任务啦。

6. 结尾

完