卷积层 convolutional networks

卷积层 convolutional networks

卷积层的滤波器（filter）（或称：卷积核（kernel）），假设其尺寸是 $5 \times 5 \times 3$（宽高都是5像素，深度是3）。在前向传播的时候，滤波器在输入数据的宽度和高度上滑动（更精确地说是卷积），然后计算整个滤波器和输入数据任一处的内积。

当滤波器沿着输入数据的宽度和高度滑过后，会生成一个2维的激活图（activation map），激活图给出了在每个空间位置处滤波器的反应。直观地来说，网络会让滤波器学习到当它看到某些类型的视觉特征时就激活，具体的视觉特征可能是某些方位上的边界，或者某些颜色的斑点，甚至可以是网络更高层上的蜂巢状或者车轮状图案。

卷积核

卷积核的4个超参数：

• 滤波器的数量 $K$

• 滤波器的空间尺寸 $F$

• 步长 $S$

• 零填充数量 $P$

输入数据体的尺寸为 : $W_1 \times H_1 \times D_1$
输出数据体的尺寸为： $W_2 \times H_2 \times D_2$

其中：
$D_2 = K$
$W_2 = (W_1-F+2P)/S+1$
$H_2 = (H_1-F+2P)/S+1$

卷积过程

卷积效果

卷积的作用主要是：通过卷积运算，可以使原信号特征增强，并且降低噪音，提取图像的特征。

图像在不同卷积核上进行卷积之后的效果图如下：