卷积++++（未完待续）

1、卷积为什么可以提取特征

解释一：函数逼近论：

cnn就是一个万能的拟合函数，可以逼近理论上足够复杂的任意分布。所以自然能找到有效表示数据训练集分布的特征。

解释二：信号与系统：

卷积很多时候出现在一个系统的单位脉冲响应与输入信号上，用于求出系统在一定输入下所对应的输出。

解释三：线性代数的几何意义：

1）“矩阵乘法对应了一个变换，是把任意一个向量变成另一个方向或长度都大多不同的新向量。在这个变换的过程中，原向量主要发生旋转、伸缩的变化。如果矩阵对某一个向量或某些向星只发生伸缩变换，不对这些向量产生旋转的效果,那么这些向量就称为这个矩阵的特征向量，伸缩的比例就是特征值。”
简单而言，对于一个输入，只需要提取合适的主要特征，就能得到有效的判断。例如对人的判断：只需要判断头发的长短、衣服的着装等特征就可得知一个人的性别。
2）因此，卷积核$\approx \upsilon (特征向量)$，反向传播≈求解特征向量集，我们的图片≈矩阵A，注意，这些概念不是等价的，只是用易懂的方式去解释这些原理。

解释四：线性代数的投影意义：

1）因为卷积本质是一个向量乘法，求原始图像的特征在卷积这个向量上的投影
2）就是向量点乘的物理意义
3）那和卷积夹角越小
4）越相似的特征保留的越多
5）就实现了特征的筛选

2、1*1卷积的作用

3、其他的一些卷积

3.1 可变形卷积（DCN）

1）解决的问题：正常的卷积核感受野都是正方形。可以有效感受野都是正方形吗？显然不是。

2）怎么解决：卷积核不变，被卷积的感受野可变形。比如3*3的感受野9个像素点，可以在以中心像素点周边任意的deltax,deltay。计算一个offset即可

3）技术难点：怎么计算offset？学习出来。被感受野区域是以中心像素点为基准，向任意方向偏移。这个任意方向，用一个offset层学习出来。

4）优缺点：效果更好，支持了任意形状。缺点是增加了计算量。可以用分组思想降低计算量。