【2】卷积运算
说了那么久终于扯到了卷积二字！
但是！！胖友们！卷积神经网络和信号处理里面那个卷积运算！毛关系都没有啊！当初我还特意去复习了一下高数里的卷积运算！
这些！！都和我们的CNN没有关系！！！
(二稿修改：经知友提醒，此处的确说的不对，卷积神经网络在本质和原理上还是和卷积运算有一定的联系的，只是之前本人才疏学浅未能看出它们二者实质相关联的地方，若有误导之处还请各位谅解，抱歉！）
好了，下面继续讲怎么计算。四个字：对应相乘。看下图。
取 feature里的（1，1）元素值，再取图像上蓝色框内的（1，1）元素值，二者相乘等于1。把这个结果1填入新的图中。
同理再继续计算其他8个坐标处的值
9个都计算完了就会变成这样。
接下来的工作是对右图九个值求平均，得到一个均值，将均值填入一张新的图中。
这张新的图我们称之为 feature map （特征图）
可能有小盆友要举手问了，为什么蓝色框要放在图中这个位置呢？这只是个栗子嘛。 这个蓝色框我们称之为 “窗口”，窗口的特性呢，就是要会滑动。
其实最开始，它应该在起始位置。
进行卷积对应相乘运算并求得均值后，滑动窗便开始向右边滑动。根据步长的不同选择滑动幅度。比如，若 步长 stride=1，就往右平移一个像素。
若 步长 stride=2，就往右平移两个像素。
就这么移动到最右边后，返回左边，开始第二排。同样，若步长stride=1，向下平移一个像素；stride=2则向下平移2个像素。
[图片]
好了,经过一系列卷积对应相乘，求均值运算后，我们终于把一张完整的feature map填满了。
[图片]
feature map是每一个feature从原始图像中提取出来的“特征”。其中的值，越接近为1表示对应位置和feature的匹配越完整，越是接近-1，表示对应位置和feature的反面匹配越完整，而值接近0的表示对应位置没有任何匹配或者说没有什么关联。
一个feature作用于图片产生一张feature map，对这张X图来说，我们用的是3个feature，因此最终产生3个 feature map。
[图片]
至此，卷积运算的部分就讲完啦！~
请登录后评论~