深度学习——卷积层理论学习.pdfVIP

深度学习——卷积层理论学习

⽬录

1.什么是卷积层

1.卷积是⼀种有效提取图⽚特征的⽅法。卷积层由若⼲卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积

运算的⽬的是提取输⼊的不同特征，第⼀层卷积层可能只能提取⼀些低级的特征如边缘、线条和⾓等层级，更多层的⽹路能从低级特

征中迭代提取更复杂的特征。

2.计算⽅法：⼀般⽤⼀个正⽅形卷积核，遍历图⽚上的每⼀个像素点。图⽚与卷积核重合区域内相对应的每⼀个像素值，乘卷积核内相

对应点的权重，然后求和，再加上偏置后，最后得到输出图⽚中的⼀个像素值。图⽚分灰度图和彩⾊图，卷积核可以是单个也可以是

多个。

2.卷积核

1.我们可以把卷积核理解成⼀个过滤器，原图像经过卷积核的过滤后就可以得到这个图像的特征图谱。

2.使⽤不同的卷积核就可以得到图像的不同特征，⽐如现在有⼀个识别时尚服饰图⽚并找出款式类似的项⽬，在这个项⽬⾥，主要是关

⼼⾐服的外形，⽽⾐服的颜⾊、品牌之类的细节反⽽不重要了，所以需要使⽤卷积核过滤掉⾐服的颜⾊等⼀些细节，只保留像外形特

征这种有⽤的特征。这个可以通过索贝尔边缘检测滤波器来实现，结果如下：

3.另外，⼤部分卷积核都会采⽤逐层递增（1⇒3⇒5⇒7）的⽅式。

4.多个⼩的卷积核叠加使⽤要远⽐⼀个⼤的卷积核单独使⽤效果要好的多，在连通性不变的情况下，⼤⼤降低了参数个数和计算复杂

度。当然，卷积核也不是越⼩越好。

3.步幅

步幅（步长）就是卷积核滑动的长度，如上图，卷积核每次移动长度为1，即步幅为1。

4.填充

为避免经过多次卷积后矩阵变得太⼩，可以再矩阵周围填充⼀圈零来保证卷积后的矩阵跟原矩阵⼤⼩⼀样。如下图，⽤输⼊数据中⽤绿⾊填

充的部分就是补零填充，再进卷积运算即可得到与原数据⼀样的⼤⼩的输出。

5.单通道输⼊，单卷积核（2D）

这⾥单通道指的是输⼊为灰度图，单卷积核值卷积核个数是1个。

上⾯是5x5x1的灰度图⽚，1表⽰单通道，5x5表⽰分辨率，共有5⾏5列个灰度值。若⽤⼀个3x3x1的卷积核对此5x5x1的灰度图⽚进⾏

卷积，偏置项b=1，则求卷积的计算是：(-1)x1+0x0+1x2+(-1)x5+0x4+1x2+(-1)x3+0x4+1x5+1=1（注意不要忘记加偏置1）。

6.多通道输⼊，多(⼀)卷积核（空间卷积）

7.参考资料