如何理解卷積，另外如何理解圖像處理中的卷積？卷積運算可分為求逆、平移、乘法和求和。在圖像處理中，圖像是一個大矩陣，卷積模板是一個小矩陣。根據上述過程，首先將小矩陣求逆，然后將其移動到某個位置。小矩陣的

如何理解卷積，另外如何理解圖像處理中的卷積？

卷積運算可分為求逆、平移、乘法和求和。在圖像處理中，圖像是一個大矩陣，卷積模板是一個小矩陣。根據上述過程，首先將小矩陣求逆，然后將其移動到某個位置。小矩陣的每個小格對應于大矩陣中的一個小格。然后將對應小格中的數相乘，將所有對應小格的乘法結果相加。最后將結果賦給小矩陣中心小格對應的圖像中小格的值，代替原始值。這就是我們要說的，倒置，平移，乘法，求和。一般的圖像卷積是從第一個像素（小格子）遍歷到最后一個像素（小格子）。經過平滑、模糊、銳化后的邊緣提取本質上都是卷積的，但模板是不同的。

如何理解卷積神經網絡里卷積過濾器的深度問題？

我們通?？吹降木矸e濾波器原理圖是這樣的：

這實際上是卷積濾波器的“展平”或“展平”。例如，上圖中的粉紅色卷積濾波器是3x3x3，即長3，寬3，深3。然而，在圖中，它是在兩個維度中繪制的-深度被省略。

.由于卷積濾波器的深度與輸入圖像的深度相同，所以原理圖中沒有繪制深度。如果同時繪制深度，效果如下：

（圖片來源：mlnotebook）

如上所述，卷積濾波器的深度與輸入圖像的深度相同，即3。

順便說一下，輸入圖像深度是3，因為輸入圖像是彩色圖像，深度是3，分別是R、G和b值。

（圖片來源：mlnotebook）

總之，卷積濾波器的深度應該與輸入數據的深度一致。

如何理解卷積神經網絡中的卷積和池化？

讓我們談談我們的理解。

池：用最大值或平均值替換大量數據。目的是減少數據量。

卷積：通過卷積內核將數據轉換為特征，便于以后分離。計算方法與信號系統(tǒng)相同。