卷积含义

最新推荐文章于 2025-01-20 18:43:51 发布
最新推荐文章于 2025-01-20 18:43:51 发布
阅读量563 收藏 2
点赞数
分类专栏： 人工神经网络 文章标签： 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/claroja/article/details/82350507
版权

#1.卷积含义以及边缘检测应用
##1.1
"*"是卷积的意思（convolution）
3x3的过滤器filter（核kernel）对6x6的矩阵进行卷积，可以形成4x4的矩阵，因为它横向可以移动4次，纵向可以移动4次。
每一步卷积是对应位置相乘并相加。
这里写图片描述

横向第一次卷积

这里写图片描述

横向第二次卷积

这里写图片描述

纵向第一次横向第一次卷积

这里写图片描述

纵向第4次横向第4次卷积

##1.2边缘检测实例
垂直边缘检测的结果如图
这里写图片描述

垂直边缘检测的结果 边缘检测可辨识颜色的变化 ![这里写图片描述](https://img-blog.youkuaiyun.com/20180903161654109?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsYXJvamE=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
边缘检测可辨识颜色的变化

还可以进行水平边缘检测
这里写图片描述

水平边缘检测 可通过学习找到最合适的边缘检测filter ![这里写图片描述](https://img-blog.youkuaiyun.com/20180903161847186?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsYXJvamE=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
学习出最优边缘检测filter

#2.padding
##2.1 pading的原理
由于原始矩阵边缘元素在卷积过程中只被用到一次，会造成信息的丢失，所以我们可以给原始矩阵加一个padding。
这里写图片描述

增加padding ##2.2padding添加的原则 使得输出的矩阵和原始矩阵一样大小 ![这里写图片描述](https://img-blog.youkuaiyun.com/20180903162113302?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NsYXJvamE=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)
增加padding的原则

#3.步长stride
步长是设置filter移动的间距
这里写图片描述
总结步长的间距来计算总共filter多少个子矩阵，既最后输出多少的矩阵
这里写图片描述

TensorFlow 卷积到底是什么？
小鹏AI
06-22 264
卷积是对两个实函数的一种数学运算。 例如： 我们用一个激光传感器来追踪一艘宇宙飞船的位置 激光传感器给出了一个单独的输入x(t)x(t)x(t)：表示飞船在时刻ttt的位置 这就意味值我们可以在任意的时刻从传感器中读出飞船的位置 那么，现在我们的传感器受到了一定程度的噪声干扰。 为了降低飞船位置的低噪声估计 我们对得到的测量结果进行平均 我们不难想到：时间上越近的测量结果越相关，所以我们采用一种加权平均的方法，对于最近的测量结果赋予更高的权重。 我们可以采用一个加权函数w(a)w(a)w(a)来实现 其中
卷积的物理含义
u011299683的博客
12-26 4640
卷积的物理含义与其在概率论中的一些应用
卷积的意义
yeeman的专栏
04-15 6万+
卷积 最近总是和卷积打交道,工作需要，每天都要碰到它好几次,不胜烦恼,因为在大学时候学信号与系统的时候就没学会，我于是心想一定要把卷积完全搞明白。正好同办公室的同学也问我什么是卷积,师姐昨天也告诉我说:"我也早就想把这个问题搞明白了！"经过一段时间的思考之后，有一些很有趣的体会和大家分享。听说卷积这种运算式物理学家发明的，在实际中用得不亦乐乎，而数学家却一直没有把运算的意义彻底搞明白。仔细品以下，还是有那么点滋味的。下面先看一下剑桥大学的教科书对卷积的定义： 我们都知道这个公式，但是它有什么物理意
数学中，什么是卷积
最新发布
彬彬侠的博客
01-20 1911
卷积是数学中一项非常重要的操作，它有着广泛的应用，包括信号处理、图像处理、概率论、神经网络等领域。卷积操作本质上是两个函数的加权和，其中一个函数被翻转和平移。卷积的性质，如交换律、结合律、分配律，使得它在很多数学问题中非常有用。通过卷积，我们能够有效地将局部信息聚合到全局信息中，在图像处理、语音识别等领域中取得了巨大的成功。
最容易理解的对卷积(convolution)的解释
热门推荐
bitcarmanlee的博客
01-25 30万+
啰嗦开场白读本科期间，信号与系统里面经常讲到卷积(convolution)，自动控制原理里面也会经常有提到卷积。硕士期间又学了线性系统理论与数字信号处理，里面也是各种大把大把卷积的概念。至于最近大火的深度学习，更有专门的卷积神经网络(Convolutional Neural Network, CNN)，在图像领域取得了非常好的实际效果，已经把传统的图像处理的方法快干趴下了。啰啰嗦嗦说了这么多卷积，惭
卷积及理解图像卷积操作的意义
houxiaogang05
03-20 3万+
转载：http://blog.youkuaiyun.com/chaipp0607/article/details/72236892        https://www.zhihu.com/question/22298352     在图像处理领域，我们经常能听到滤波，卷积之类的词，其实他们都可以看做一种图像的卷积操作，相对应的卷积核，卷积模板，滤波器，滤波模板，扫描窗其实也都是同一个东西。下面我们进一步讨论...
深度学习_卷积
kinkinhe的博客
03-15 1301
深度学习_理解卷积含义
卷积、可分离卷积、转置卷积（反卷积）
qq_44936246的博客
10-24 1568
卷积 卷积层的结构参数 卷积核大小（Kernel Size）：定义卷积操作的感受野。 步幅（Stride）： 定义卷积核遍历图像时的步幅大小。其默认值通常设置为1。设置大于1的值后对图像进行下采样，这种方式类似池化操作。 边界扩充（Padding）： 定义了网络层处理样本边界的方式。当卷积核大于1且不进行边界扩充，输出尺寸将相应缩小；当卷积核以标准方式进行边界扩充，则输出数据的空间尺寸将与输入相等。 输入与输出通道（Channels）： 构建卷积层时需定义输入通道I ，并由此确定输出通道O 。这样，可算出每
卷积到底卷了个啥？五千字详细介绍数学卷积、图像卷积和卷积神经网络的卷积
weixin_73044854的博客
12-08 1241
卷积到底卷了个啥？五千字详细介绍数学卷积、图像卷积和卷积神经网络的卷积
分布式图卷积神经网路
07-23
分布式图卷积神经网络是深度学习领域的一...尽管本篇文件的【部分内容】部分出现了由于OCR扫描技术造成的个别文字识别错误，但通过上下文可以理解出其主要含义，从而获取到分布式图卷积神经网络的理论基础和应用场景。
卷积的含义
weixin_42774598的博客
10-09 1221
本文章为学习笔记
卷积的理解
elfylin的专栏
10-05 6816
读书的时候高数学过卷积，后来专业课的时候讲到图像处理也提到卷积。那到底什么是卷积呢？虽然知道卷积的公式 Smn（f(a)f(x-a)）da但是究竟卷积的物理意义到现在也没太理解明白。今天网上看了一个帖子，用浅显易懂的话，大概讲了一下卷积的意义，理解深刻了些。先把原文贴过来：我们都知道这个公式，但是它有什么物理意义呢，平时我们用卷积做过很多事情，信号处理 时，输出函数是输入函数和系统函数的卷积，在图像处理时，两组幅分辨率不同的图卷积之后得到的互相平滑的图像可以方便处理。卷积甚至可以用在考试作弊中， 为了让
如何通俗易懂地解释卷积？
XIEXINGHUA2010的博客
11-03 2316
取自 知乎@马同学，在此表示感激，侵删。 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。...
cnn卷积神经网络迭代图含义
05-15
CNN（卷积神经网络）是一种常用的深度学习模型，广泛应用于图像识别、语音识别等领域。CNN中常用的迭代图是反向传播算法的迭代图，也称为反向计算图。迭代图的含义是为了描述神经网络中每一层之间的计算关系，以及在计算过程中每个参数的梯度计算。 迭代图中的节点表示计算单元，箭头表示计算流程，箭头的方向从输入层指向输出层。每个节点的输入是上一层节点的输出，输出是当前层节点的输出。在反向传播算法中，迭代图被用来计算每个节点和每个参数的梯度。 具体来说，CNN中的迭代图包含两个阶段：前向传播和反向传播。在前向传播阶段，迭代图描述了输入如何通过卷积层、激活函数、池化层等操作得到输出。在反向传播阶段，迭代图描述了输出误差如何通过反向传播得到每个参数的梯度，并用于更新参数。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值