卷积神经网络基础---卷积层Convolution

卷积层、卷积核与卷积操作

通常，在神经网络中的卷积层、卷积核指的都是同一个东西—滤波器。
如下图所示是一个3x3的滤波器（卷积核）（实际上它是一个sobel算子）

每一幅彩色图像实际上都是由一个二维矩阵+三个通道组成的，二维矩阵里存放着图像的灰度值，三个通道分别为R（红）、G（绿）、B（蓝）。
所谓卷积层提取浅层特征，指的就是将滤波器覆盖到图像像素上进行卷积操作。
如有如下的图像

对它进行卷积操作，即对应元素相乘求和，然后向右滑动一步；如果像右滑动到头，则回到最左端，向下滑动一步，再重复上述步骤，直到遍历完整个图像。

得到特征图（卷积计算出像素值小于0则取0，大于255则取255）

但是经过上述卷积操作，一幅4x4的像素图经过3x3的卷积操作获得的是一个2x2的特征图。但是我们往往需要特征图与原图大小一致，这就需要对原图像进行填充，通常使用的方法是0填充。如下图所示。

再经过卷积计算，就能够得到4x4的特征图。

那么如果使用上述的卷积核，就能够将图像的轮廓提取处来，从而将注意力集中在图像中更需要分析、理解与处理的地方。