卷积神经网络详解 - 卷积层逻辑篇

本系列文章为深度学习笔记，方便自己回看。

卷积计算概述

对于图像识别来说，卷积神经网络的效果要好于全连接神经网络。我在首次接触卷积时，隐约记得在大一高数课程中曾经提及，但具体已经无法名状。何谓卷积，知乎的这个回答，"如何通俗易懂地解释卷积" ，解释得很详细，摘出部分如下，以方便阅读。

"从数学上看，卷积是一种运算。我们称(f*g)(n)为f,g的卷积，其连续的定义为

其离散的定义为

"

我对于以上定义的理解为，存在两个函数f(x)和g(x), 其卷积运算(f * g)(n)是指，对f(x)g(y)这样的乘积进行求和（连续为积分，离散为求和），其中x与y需要满足条件：只能落在二维坐标系形如y=n-x的直线上，这是一条斜率-1，与y轴、x轴交点均为n的直线。更加形象具体的解释，上面知乎相关的问答有很多不错的解释。

在卷积神经网络中，卷积运算是对两个矩阵进行的。如下图，左侧为输入矩阵M，中间为过滤器F（也叫卷积核），F以一定步长在M上进行移动，进行点积运算，得到右侧的输出矩阵O。这个就是卷积神经网络中卷积层最基础的运算。在实际的操作中，还存在一些额外的操作，下面会详细叙述。

该图出自：Convolutional Neural Networks - Basics

输入层

在使用卷积神经网络进行图像识别时，输入为进行过转换的图片数据，一张宽为w，高为h，深度为d的图片，表示为h*w*d。这里，深度为图像存储每个像素所用的位数，比如彩色图像，其一个像素有RGB三个分量，其深度为3。

从数学的角度来看，h*w*d的图片即为d个h*w的矩阵。例如6x16x3的图片，其对应3个6x16的矩阵。在大部分运用中，输入图片的大小h和w，一般是相等的。

过滤器(卷积核)

在卷积运算时，会给定一个大小为F*F的方阵，称为过滤器，又叫做卷积核，该矩阵的大小又称为感受野。过滤器的深度d和输入层的深度d维持一致，因此可以得到大小为F*F*d的过滤器，从数学的角度出发，其为d个F*F的矩阵。在实际的操作中，不同的模型会确定不同数量的过滤器，其个数记为K，每一个K包含d个F*F的矩阵，并且计算生成一个输出矩阵。

一定大小的输入和一定大小的过滤器，再加上一些额外参数，会生成确定大小的输出矩阵。以下先介绍这些参数。

1）Padding。在进行卷积运算时，输入矩阵的边缘会比矩阵内部的元素计算次数少，且输出矩阵的大小会在卷积运算中相比较于输入变小。因此，可在输入矩阵的四周补零，称为padding，其大小为P。比如当P=1时，原5*5的矩阵如下，蓝色框中为原矩阵，周围使用0作为padding。

2）进行卷积运算时，过滤器在输入矩阵上移动，进行点积运算。移动的步长stride，记为S。当S=2时，过滤器每次移动2个单元。如下图，红色框为第一步计算，蓝色框为S=2时的第二步运算。

有了以上两个参数P和S，再加上参数W（输入矩阵的大小），过滤器的大小F，输出矩阵的大小为

对于5x5的输入矩阵，过滤器大小F=3，P=1，S=1，其输出矩阵的大小为(5-3+2)/1+1=5。可见，在步长S为1，且进行了P=1的padding后，其输出矩阵的大小和输入一致。

现在考虑当输入有多个深度时的情况。当输入为5x5x3，P=1，并且有K个过滤器时，每一个过滤器都为3x3x3。这里，我们把输入的3个7x7矩阵(5x5进行padding后得到7x7）命名为M1,M2,M3，第k个过滤器(0

1. 在M1中，从最左上角，取感受野大小F*F的子矩阵，与F1进行点积运算，即对应位置元素相乘，再求和得到结果O11.

2. M2和F2进行同样的运算，得到结果O22；M3和F3得到O33.

3. O11+O22+O33相加，再加上偏移量b0，得到输出矩阵Ok左上角的第一个元素.

4. 按照步长S，从M1,M2,M3中获取另外一个感受野大小的区域，对应F1,F2,F3进行步骤1~3的计算，最终得到完整的输出矩阵Ok

5. 更换过滤器k+1，重复1~4的运算，得到K个输出矩阵。

总结以上过程，输出矩阵的每一个元素，是由对应过滤器不同深度的矩阵，作用于相应深度输入矩阵的不同位置，进行点积运算，再加上偏移量bias所得。

在斯坦福的卷积神经网络课程有，有一个很典型的例子如下。此处分析两个步骤，完整的例子见以下链接。

http://cs231n.github.io/convolutional-networks/

在这个例子中，输入矩阵为5*5*3，即W=5，填充P为1，过滤器有K=2个，每个过滤器的大小为3*3*3，即F=3，同时设定计算步长S=2。这样可得到输出中单个矩阵的大小为(5-3+2*1)/2+1=3，由于K=2，所以输出的3*3矩阵有2个。下面为具体的计算过程

1. 首先从输入矩阵的最左边开始取得3*3的感受野，每一个深度的输入矩阵对应每一个深度的过滤器，进行点积运算，然后加上偏移Bias，得到第一个输出矩阵的第一个元素。详细过程为

输入矩阵1：r1 = 0*0+0*1+0*1+0*(-1)+1*0+0*0+0*1+0*0+1*0=0

输入矩阵2：r2 = 0*0+0*0+0*0+0*1+0*0+0*1+0*0+2*0+0*0 = 0

输入矩阵3：r3 = 0*(-1)+0*(-1)+0*0+0*0+0*0+2*(-1)+0*(-1)+0*0+2*0 = -2

输出矩阵元素（绿框中元素）O11 = r1+r2+r3+b0 = -1

2) 然后将感受野在3个输入矩阵上同时移动2个步长，如蓝框所示，重复1）中描述的运算，得到O12=-1，计算过程此处不再赘述。

3）将感受野在输入矩阵中依次移动，当完成第一个输出矩阵的计算后，使用第二个过滤器再重复一次，得到第二个输出矩阵。卷积计算完成。

在上面的计算中，每一个深度上的输入矩阵，其每一个步长的计算都是用同一个过滤器矩阵，这个现象被称为参数共享(parameter sharing)。其实这是一种简化，在未简化的情况下，同一深度矩阵上每一个步长的卷积计算，都需要使用不同的过滤器，这样会造成神经网络中参数过多，所以在实际操作中，会采取如上所述的参数共享策略，减少参数个数。

到此，卷积神经网络卷积层的计算理论部分已经说完。下面一篇文章将从开发的角度，详细分析下，在实际的计算中，具体的数据结构和计算方法。

参考文献：

1. Convolutional Neural Networks (CNNs / ConvNets) 

2. Convolutional Neural Networks - Basics

3. 如何通俗易懂地解释卷积