卷积

                     

贡献者: xzllxls

预备知识 定积分,反常积分(简明微积分)

   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)g(x)xR,卷积后的结果函数为 s(t), tR。卷积运算通过定积分定义如下:

(1)s(t)=(fg)(t)=+f(x)g(tx)dx .
其中,星号*表示卷积运算。

   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:

(2)s(t)=(fg)(t)=x=+f(x)g(tx) .

   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输入,第二个参数,即式(2)中的函数 g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:

(3)S(i,j)=(IK)(i,j)=mnI(m,n)K(im,jn) .

   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:

  1. I. Goodfellow, Y. Bengio, and A. Courville, Deep learning. MIT press, 2016.

                     

© 小时科技 保留一切权利