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 $f (x)$ 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：

\begin{matrix} (1) & s (t) = (f * g) (t) = \int_{- \infty}^{+ \infty} f (x) g (t - x) d x . \end{matrix}

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：

\begin{matrix} (2) & s (t) = (f * g) (t) = \sum_{x = - \infty}^{+ \infty} f (x) g (t - x) . \end{matrix}

　　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：

\begin{matrix} (3) & S (i, j) = (I * K) (i, j) = \sum_{m} \sum_{n} I (m, n) * K (i - m, j - n) . \end{matrix}

　　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:

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

致读者：小时百科一直以来坚持所有内容免费无广告，这导致我们处于严重的亏损状态。长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。因此，我们请求广大读者热心打赏 ，使网站得以健康发展。如果看到这条信息的每位读者能慷慨打赏 20 元，我们一周就能脱离亏损，并在接下来的一年里向所有读者继续免费提供优质内容。但遗憾的是只有不到 1% 的读者愿意捐款，他们的付出帮助了 99% 的读者免费获取知识，我们在此表示感谢。