【深度学习基础】深入理解卷积与卷积核

news2024/11/5 21:32:15

🌈 个人主页：十二月的猫-CSDN博客
🔥 系列专栏： 🏀深度学习_十二月的猫的博客-CSDN博客

💪🏻 十二月的寒冬阻挡不了春天的脚步，十二点的黑夜遮蔽不住黎明的曙光

1. 卷积

1.1 卷积的定义

1.2 卷积的意义

例子：信号分析

2. 卷积核与卷积

2.1 卷积

2.2 卷积核

2.3 深度学习中的卷积

3. 总结

1. 卷积

从数学上讲，卷积就是一种运算。

某种运算，能被定义出来，至少有以下特征：

首先是抽象的、符号化的
其次，在生活、科研中，有着广泛的作用

比如加法：

a+b ，是抽象的，本身只是一个数学符号
在现实中，有非常多的意义，比如增加、合成、旋转等等

卷积，是我们学习高等数学之后，新接触的一种运算，因为涉及到积分、级数，所以看起来觉得很复杂。

核心思想：

1、卷积是一种运算

2、卷积和加法、减法等运算相同，都有其服务的现实意义

1.1 卷积的定义

我们称 (f*g)(n) 为 f,g 的卷积

其连续的定义为：

$(f*g)(n)=\int_{-\infty}^\infty f(\tau)g(n-\tau)d\tau$

其离散的定义为：

$(f*g)(n)=\sum_{\tau=-\infty}^\infty f(\tau)g(n-\tau)$

这两个式子有一个共同的特征：

t以及n-t存在，也就是说两者相加永远为n

这就好像把一个毛巾卷起来，变为两部分：一边为t；另一边为n-t

到这里，大家可能就知道这个卷积中的卷是什么意思啦~~~~

拿一个经典例子卷毛巾：

1、卷毛巾就是将毛巾的其中一个角和另一个角连接起来

2、在卷积中就是t和n-t连接起来

1.2 卷积的意义

那么，在实际应用中我们又为什么需要引入卷积这个计算方式呢？

我来举两个例子大家就明白了！！！

例子：信号分析

如下图所示，输入信号是 f(t) ，是随时间变化的。系统响应函数是 g(t) ，图中的响应函数是随时间指数下降的，它的物理意义是说：如果在 t=0 的时刻有一个输入，那么随着时间的流逝，这个输入将不断衰减。换言之，到了 t=T时刻，原来在 t=0 时刻的输入f(0)的值将衰减为f(0)g(T)。

输入信号：

系统响应时间：

考虑到信号是连续输入的，也就是说，每个时刻都有新的信号进来，所以，最终输出的是所有之前输入信号的累积效果。如下图所示，在T=10时刻，输出结果跟图中带标记的区域整体有关。其中，f(10)因为是刚输入的，所以其输出结果应该是f(10)g(0)，而时刻t=9的输入f(9)，只经过了1个时间单位的衰减，所以产生的输出应该是 f(9)g(1)，如此类推，即图中虚线所描述的关系。这些对应点相乘然后累加，就是T=10时刻的输出信号值，这个结果也是f和g两个函数在T=10时刻的卷积值。

显然，上面的对应关系看上去比较难看，是拧着的，所以，我们把g函数对折一下，变成了g(-t)，这样就好看一些了。看到了吗？这就是为什么卷积要“卷”，要翻转的原因，这是从它的物理意义中给出的。

上图虽然没有拧着，已经顺过来了，但看上去还有点错位，所以再进一步平移T个单位，就是下图。它就是本文开始给出的卷积定义的一种图形的表述：

所以，在以上计算T时刻的卷积时，要维持的约束就是： t+ (T-t) = T 。

本质上就是在信号处理中，在处理随时间递减的信号量之间乘积求和的关系时，存在这种约束关系。

再比如：

小明在1时刻，吃了100kcal热量，2时刻吃了80kcal热量；同时在1时刻热量剩余90%，在2时刻热量会剩余70%。那么到2时刻热量剩余将是：100*70%+80*90*

如果把小明的进食热量看作一个函数，把热量剩余百分比看作第二个函数。那么小明在任何时刻的热量剩余，都是这两个函数做卷积操作

卷积本质：翻转+乘积求和

2. 卷积核与卷积

不知道看到这里的大家会不会很纳闷。

这这这，和我们深度学习里面的卷积核的卷积操作完全不同呀！！！！！

晕晕晕~~~

你说的没错，就是不同的（无语住了）

区别就是：卷积到底要不要翻转

2.1 卷积

这个卷积是指数学中的卷积

在数学中，两个矩阵进行卷积操作，卷积核是要翻卷的，如下面动图所示，它们的位置翻转对应。

数学中的卷积：计算要翻转180度

再来个例子：

对于一个公式：

x+y=n

计算这个公式的卷积操作，就是下图直线

2.2 卷积核

讲卷积核就让我们从一个例子开始讲

图像处理：

有这么一副图像，可以看到，图像上有很多噪点：

高频信号，就好像平地耸立的山峰：

看起来很显眼。

平滑这座山峰的办法之一就是，把山峰刨掉一些土，填到山峰周围去。用数学的话来说，就是把山峰周围的高度平均一下。

平滑后得到：

卷积可以帮助实现这个平滑算法。

有噪点的原图，可以把它转为一个矩阵：

然后用下面这个平均矩阵（说明下，原图的处理实际上用的是正态分布矩阵，这里为了简单，就用了算术平均矩阵）作为卷积核g，来平滑图像：

$g=\begin{bmatrix}\frac19&\frac19&\frac19\\\frac19&\frac19&\frac19\\\frac19&\frac19&\frac19\end{bmatrix}$

记得刚才说过的算法，把高频信号与周围的数值平均一下就可以平滑山峰。

比如我要平滑：a11

就在矩阵中，取出a11点附近的点组成矩阵：f

和卷积核g进行卷积计算后，再填回去：

再来一张卷积的动态图：

那么最关键的来了：卷积核和矩阵的运算具体是如何的，也就是f和g具体是如何计算的

看到有的博主说是这样的

这在数学上来看是没有错的

但是在深度学习操作中，我们从来没有看到人是这么算的

2.3 深度学习中的卷积

概念辨析：

卷积核：深度学习中的概念，执行的是深度学习中的卷积操作
深度学习的卷积：不需要翻转的卷积
数学中的卷积：翻转+乘积求和
深度学习的卷积：乘积求和
深度学习的卷积：又叫滤波
深度学习的卷积核：又叫滤波器

1.上文可以清晰地看到数学中卷积运算的特点：
卷积核与原始的矩阵乘积，是围绕着中心元素进行180度旋转后，才是对应的元素。

2.卷积神经网络的卷积本质上是一种spatial filter（滤波）
我们来看两种图像空间滤波的常见操作
a）平滑滤波
b）边缘提取
这两种件事情，很容易通过设计特定的“卷积核”，然后将其与像素矩阵的对应元素（不进行上述的旋转）相乘得到。
3.此“卷积”与彼“卷积”的联系与区别：
**最直观的就是：是否进行翻转，然后再进行对应元素的加权求和。 **
其实本质上来说是两者的用途不同

数学中卷积，主要是为了诸如信号处理、求两个随机变量和的分布等而定义的运算，所以需要“翻转”是根据问题的需要而确定的
卷积神经网络中“卷积”，是为了提取图像的特征，其实只借鉴了“加权求和”的特点
还有一点一定要说的是：数学中的“卷积核”都是已知的或者给定的，卷积神经网络中“卷积核”本来就是trainable的参数，不是给定的，根据数据训练学习的，那么翻不翻转还有什么关系呢？因为无论翻转与否对应的都是未知参数！