卷积的数学定义，图像理解及背后的意义

 上次组会上讲了一下CNN，没想到老师提问了很多关于CNN为什么要这样的问题。为什么要卷积，卷积是什么，卷积的意义，为什么要有卷积层，激活层，池化层，以及为什么这些层的作用是这样的。几个问题问的我哑口无言。所以深入了解了一下。人常说如果你能讲给别人听，就是理解到位了。所以在此做个总结，一方面记录自己的想法，一方面锻炼一下打字能力，毕竟要敲代码的，打字不快怎么能行。

卷积的数学定义：

离散形式：

可以看到，本质是对两个函数的积进行求和，只不过其中一个函数在原来的基础上进行了翻转和平移，不同程度的平移量造成的一系列运算结果构成了卷积函数。

至于为什么要叫卷积？

我的理解是”卷“这个字就表示了翻转再平移的过程，想象一下如果把一张纸对折，这对应翻转，再把对折后的一端向着对折的那条折痕往里塞，这对应平移。两个动作合二为一就会发现，这就是卷纸的过程。

所以，先 卷 后 积，此为卷积。

具体的例子的话可以举两个，一个是信号分析中的例子，一个是图像处理的例子。具体可以参考知乎的这位答主，他给出了详细的介绍和公式推导。

如何通俗易懂地解释卷积？ - palet的回答 - 知乎 https://www.zhihu.com/question/22298352/answer/637156871

我在此记录一下我的理解。正如这位答主举得例子，如果输入信号f(tao)给到某个系统中，会按照某中规律进行衰减，这个衰减因子就是g(tao)，由于输入是连续的，所以我们计算某一时刻的输出时，就不能单纯的用这一时刻的输入乘以衰减因子g(tao)，因为这一时刻之前的输入在输出端的影响虽然衰减了，但还是存在的，即此时刻的输出是此时刻之前的输入和此时刻的输入的累加。

所以为了使此时刻之前的输入也计算在内，我们将g(tao)翻转为g(-tao)，同时在平移x距离，其中x的值就是上面提到的”某一时刻“，于是某一时刻的输出h(x) = 输入与”卷“过后的衰减因子的重叠部分乘积的积分。

第二个就是图像处理中的例子。卷积的离散形式可以看作是加权求和，其中g(n)就是权重，f(n)就是输入。在图像处理邻域，卷积核即可看为翻转平移过后的权重系数矩阵，输入图像的像素矩阵即可看作输入，故图像处理即是二维状态的的离散卷积。其意义是图像某点的像素值是会受到周围点的像素值的影响的，所以我们对图像进行处理的时候，就不能只关注一个点，而是应该考虑这个点附近点的像素值，这就像是上一个例子我们不能只考虑当前时刻，也要考虑当前时刻之前的时刻。所以使用一个矩阵来对输入图像进行加权求和，故改矩阵被称为卷积核。