贡献者: xzllxls
卷积(Convolution)是两个实变函数之间的运算,可以生成第三个函数。 设有两个函数 $f(x)$ 和 $g(x)$,$x \in R$,卷积后的结果函数为 $s(t)$, $t \in R$。卷积运算通过定积分定义如下:
从直观上说,卷积,顾名思义,就是相当于把一个函数水平翻转(flip)——即 “卷”——之后,与另一个函数求积。
上述是卷积的连续情况下的定义。在实际应用中,所测量到的物理量可能是离散的。可以将上式中的积分换成求和即可。卷积在离散情形下的定义如下:
在卷积神经网络中,通常称卷积的第一个参数,即式($2$)中的 $x$ 为输入,第二个参数,即式($2$)中的函数 $g$ 为卷积核(kernel)。
卷积运算是卷积神经网络的基本操作。整个卷积网络是由大量卷积操作搭建而成。由于数据在计算机中均是离散形式,因此卷积神经网络中的卷积运算均是离散形式的操作。卷积网络的特点是指考虑相邻神经元之间的联系,而早先的全连接网络则是要考虑同一层的每两个神经元之间的关系。
卷积神经网络最擅长处理的是图像任务。图像数据在计算机中的通常表示为矩阵,是二维形式的数据。对于二维离散数据的卷积操作,定义如下:
值得注意的是,真正的卷积神经网络中的卷积其实并非符合上述定义的真正的卷积,而是所谓互相关函数(cross-correlation)。也就是说,实际网络中的卷积并没有翻转卷积核的操作[1]。
参考文献: