矩阵的卷积核运算(一个简单小例子的讲解)

本文详细介绍了卷积运算的基本步骤及应用。首先展示了如何通过翻转并移动卷积核来计算输出矩阵中的每一个元素,其次解释了卷积运算在图像处理中的重要作用,如滤波和增强等。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

卷积运算:假设有一个卷积核h,就一般为3*3的矩阵:

有一个待处理矩阵A:

h*A的计算过程分为三步

第一步,将卷积核翻转180°,也就是成为了


第二步,将卷积核h的中心对准x的第一个元素,然后对应元素相乘后相加,没有元素的地方补0。

这样结果Y中的第一个元素值Y11=1*0+2*0+1*0+0*0+0*1+0*2+-1*0+-2*5+-1*6=-16

第三步每个元素都像这样计算出来就可以得到一个输出矩阵,就是卷积结果

继续如此计算


最后结果:


我这里是用0补全原矩阵的,但我们不一定选择0,卷积运算多用于图像处理,进行滤波,增强等。







### 卷积神经网络中的卷积运算讲解 #### 什么是卷积? 卷积是一种数学操作,在图像处理和计算机视觉领域被广泛应用于特征提取。它通过对输入数据(通常是二维矩阵形式的图像)与一个小尺寸的滤波器(称为核或卷积核)进行滑动窗口计算来实现局部模式检测[^1]。 具体来说,卷积过程可以分为以下几个方面: - **输入数据**:通常是一个多维数组,例如灰度图像表示为单通道二维矩阵,彩色图像则可能具有三个颜色通道(RGB)。 - **卷积核**:这是一个小型权重矩阵,用于扫描整个输入数据并执行加权求和操作。卷积核的设计决定了所要提取的具体特征类型,如边缘、角点或其他纹理特性。 - **输出特征图**:经过卷积后的结果被称为特征图,反映了原始输入中特定类型的局部空间信息。 以下是卷积运算一个简单例子: ```python import numpy as np # 输入矩阵 (假设是一张简单的3x3像素图片) input_matrix = np.array([[1, 0, -1], [2, 0, -2], [-1, 0, 1]]) # 定义一个3x3大小的卷积核(这里模拟了一个垂直边界的探测器) kernel = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) # 执行卷积操作 output_feature_map = np.zeros((2, 2)) # 输出特征图为较小的2x2矩阵 for i in range(2): # 遍历每一行的有效区域 for j in range(2): # 遍历每一列的有效区域 output_feature_map[i][j] = np.sum(input_matrix[i:i+3, j:j+3] * kernel) print(output_feature_map) ``` 运行上述代码会得到一个新的数值阵列表明哪些地方存在明显的竖直边界变化情况。 #### 特征提取阶段的作用机制 在卷积神经网络里,每完成一次这样的卷积变换之后都会接续着非线性的激活函数以及降采样步骤——即所谓的池化(pooling)[^2]。这些组合起来构成了自动化的高层次抽象表达构建流程;其中共享权值策略不仅有助于减少模型训练过程中所需的参数数量还增强了系统的泛化性能[^3]。 另外值得注意的是虽然最初灵感来源于生物视网膜细胞的研究成果但是现代版本已经远远超越了最初的定义范畴甚至扩展到了自然语言处理等领域当中去[^4]。
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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