如何理解卷積，另外如何理解圖像處理中的卷積？卷積運(yùn)算可分為求逆、平移、乘法和求和。在圖像處理中，圖像是一個(gè)大矩陣，卷積模板是一個(gè)小矩陣。根據(jù)上述過程，首先將小矩陣求逆，然后將其移動(dòng)到某個(gè)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(yùn)算可分為求逆、平移、乘法和求和。在圖像處理中，圖像是一個(gè)大矩陣，卷積模板是一個(gè)小矩陣。根據(jù)上述過程，首先將小矩陣求逆，然后將其移動(dòng)到某個(gè)位置。小矩陣的每個(gè)小格對(duì)應(yīng)于大矩陣中的一個(gè)小格。然后將對(duì)應(yīng)小格中的數(shù)相乘，將所有對(duì)應(yīng)小格的乘法結(jié)果相加。最后將結(jié)果賦給小矩陣中心小格對(duì)應(yīng)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(gè)像素（小格子）遍歷到最后一個(gè)像素（小格子）。經(jīng)過平滑、模糊、銳化后的邊緣提取本質(zhì)上都是卷積的，但模板是不同的。

cnn卷積神經(jīng)網(wǎng)絡(luò)中的卷積核怎么確定？

從模型中學(xué)習(xí)卷積參數(shù)，手動(dòng)確定卷積核的大小和數(shù)目。二維卷積核的大小通常是奇數(shù)，例如1*1、3*3、5*5、7*7。卷積核數(shù)是網(wǎng)絡(luò)中的信道數(shù)。常用的是128 256 512，需要根據(jù)具體任務(wù)來確定。

另外，最近神經(jīng)網(wǎng)絡(luò)自動(dòng)搜索結(jié)構(gòu)非常流行。最著名的是Google的nasnet，它使用一些啟發(fā)式遍歷來尋找特定數(shù)據(jù)集的最佳網(wǎng)絡(luò)結(jié)構(gòu)

我們通?？吹降木矸e濾波器圖是這樣的：

這實(shí)際上是“展平”或“展平”卷積濾波器。例如，上圖中的粉紅色卷積濾波器是3x3x3，即長(zhǎng)3，寬3，深3。然而，在圖中，它是在兩個(gè)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(shí)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?yàn)檩斎雸D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(yīng)該與輸入數(shù)據(jù)的深度一致。