卷积神经网络(CNN)卷积核与滤波器理解

  卷积神经网络接触很久了，但是总感觉有一种很朦胧的感觉，今天重新理解一下CNN和CNN中卷积的概念。
  如何通俗的理解卷积，关于卷积首先要理解，他只是一个为了方便计算学习而定义的概念，是一种抽象的符号，就像是加减乘除一样。原文文章从连续卷积，离散卷积定义开始，以动图的形式将卷积形象化，其中掷骰子和蒸馒头对于离散和连续卷积解释的很清楚。请参照引用文章。
  说到图像卷积这一点，终于弄明白卷积和平滑滤波的关系与区别了，当然我认为CNN实质上还是一种滤波，也就是局部像素的加权和。一直以来我都有一个误区，认为这个滤波就是卷积核与原始图像对应位置相乘求和，这与数字图像种滤波的操作没有什么异同，为什么叫图像卷积呢？

  文章这个二维卷积过程给出，实际上卷积过程中需要满足下标和是固定的，也就是公式中的$n$是定的。所以如果理解为卷积核与图像对应位置加权和，那么就像原文中所说的，把$g$矩阵，也就是卷积核旋转了180°。那么CNN中的卷积核翻转了嘛，这个问题其实没什么意思，因为上述卷积过程$g$矩阵是已知的，而我们CNN中的卷积核是参数，需要求解的，可以认为是最能够提取特征点的卷积核参数，那是不是也可以认为是翻转过的呢。从这个角度来说，CNN卷积核学习滤波器参数好像更合理。关于CNN中卷积核与卷积的关系，知乎几个答案都有都道理也比较清晰。