一文读懂深度学习中常见的卷积操作

卷积

卷积是一种数学运算，在信号处理、图像处理等领域有着广泛的应用。它通过两个函数f和g生成第三个函数，这个新函数表示其中一个函数（通常称为卷积核或滤波器）相对于另一个函数的位置变化时两者的重叠程度。在深度学习领域，尤其是在卷积神经网络（CNNs）中，卷积被用来从输入数据（如图像）中提取特征。

1.普通卷积

在计算机视觉中，卷积通常指的是二维卷积，用于处理图像等二维数据。卷积过程涉及一个称为卷积核（或滤波器）的小矩阵，该矩阵在输入数据（如图像）上滑动，并与每个位置的相应区域进行点乘后相加，生成新的数值作为输出的一部分。这一过程可以形象地理解为用一个“放大镜”在图像上滑动，每次只关注图像的一小部分，通过特定的计算方式（即卷积操作）来生成一个新的、代表了原图像某些特征的输出图像。

2D卷积的具体步骤包括：

1. 选择卷积核：根据需要提取的特征类型选择合适的卷积核。卷积核的大小通常较小，比如3x3或5x5。

2. 卷积核滑动：将卷积核放置在输入数据的一个位置，通常是左上角，然后按指定的步长（Stride）水平和垂直方向移动。

3. 计算卷积：在每个位置，卷积核与覆盖的输入数据对应元素相乘，所有乘积相加得到一个值，该值成