關于卷積
所謂卷積，其實就是一種濾波方式，這在信號處理、影像處理上經常用到，最簡單的在影像里面，一副影像和一個給定影像或者模版的進行卷積，卷積就是對應位置資料相乘然后再相加，比如像前面神經元與神經元全連接在一起的，假設他們是影像，對于其中一個隱含層的節點計算來說，拿出來其實就是一種卷積計算，像下面這樣：
這是隱含層的全鏈接，那部分連接可能就不是I1 到I9，可能只是I1到I3之類的與W1~W3卷積，
一個典型的部分連接其實可以等效為影像濾波一樣，比如拉普拉斯濾波模版對影像濾波，像下面這樣子：
關于卷積層
知道了影像與小模版的卷積概念后再來看看卷積層就很好理解了，
像上面，是對一副影像進行一個模版的卷積，那么我們可以定義好幾個模版，分別依次卷積，像下面這樣：
每一個卷積模版就好比是一個拉普拉斯模版那樣子的，但是他們之間肯定是不一樣的，不同的模版，不過模版中的值在CNN中就是需要學習的權值引數，而不是我們自己定的，其實我在想，在CNN的首層卷積層我們為什么不能自己定義一些比較好的模版，比如梯度檢測算子、邊緣檢測算子等等，而在CNN的后面的卷積層讓它自己學習好了，這樣一副影像經過與好些個不同的模版卷積救護得到一些所謂的特征MAP了，在得到這些MAP后，我們可以發現，其實這些MAP本質上也是影像，那么我們對這些影像再進行后續的卷積如何呢？這就自然而然的引出了深層的卷積網路了，基于這樣，我們在上面那個圖后面在設計卷積模版，就會變成下面這樣：
在這里呢我們假設卷積層C1下的每一個MAP又會衍生兩個C2下的MAP，就是上面那樣，但是在實際的CNN中，為了進一步減少引數，優化模型，通常早卷積層C1與C2之間還有一個降采樣層S，什么意思呢？最簡單就是對每一個C1下MAP進行縮小吧，比如縮小一倍，就是讓C1下的每個MAP中每2*2的視窗取一個平均像素變成一個像素，這樣就達到了縮小的目的了，這也就是降采樣，像下面這樣子，
之后可以再對C2進行降采樣，在進行卷積，一直下去就是深度CNN了，
還有個問題就是，我們從S1到C2的時候，我們是選擇S1中的一個map卷積得到下一個map，其實我們完全可以用S1中的兩個甚至全部的3個MAP進行組合得到下一個MAP，組合方式可以是直接相加，比如說C2中每一個MAP都是S1中的所有MAP進行3個模版卷積然后相加而來的，那么此時的圖就是下面這樣子：
上面內容 參考博客
https://blog.csdn.net/on2way/article/details/50528346
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/335331.html
標籤：其他
下一篇：基于SRGAN的影像超解析度實體