作者以拋球?qū)嶒灋槔v解了許多卷積的數(shù)學(xué)原理和機制，并通過卷積來表述卷積神經(jīng)網(wǎng)絡(luò)。文章附有大量圖片解釋，幫助大家更容易理解。

拋球?qū)嶒?-- Ball drop experiment

想象一下，我們把一個球從某個高度落到地面上，它只有一個運動維度。如果你把球落下，然后再從它的落點上方把它落下，球會走一段距離 的可能性有多大？

我們來分析一下： 第一次下落后，它將以概率 落在離起點一個單位的地方，其中是概率分布。現(xiàn)在，在第一次落下之后，我們把球撿起來，從它第一次落地點以上的另一個高度落下。球從新的起點滾動 個單位的概率是 ，如果它是從不同的高度落下的，那么 可能是不同的概率分布。

如果我們把第一次下落的結(jié)果固定下來，使我們知道球走了距離 ，對于球走的總距離 ，第二次下落時走的距離也固定為 ，即 。所以這種情況發(fā)生的概率簡單來說就是 。。

我們用一個具體的離散例子來思考這個問題。我們希望總距離 為 3。如果它第一次滾動，，那么第二次必須滾動 ，才能達到我們的總距離 。這個概率是 。

然而，這并不是我們可以達到總距離3的唯一方法。球可以第一次滾1個單位，第二次滾2個單位。或者第一次滾0個單位，第二次滾3個單位。它可以是任何 和 ，只要他們加起來是 3。

為了求出小球到達總 的總概率，我們不能只考慮到達 的一種可能方式，而是考慮將 分成 和 的所有可能方式，并將每種方式的概率相加。

我們已經(jīng)知道， 的每一種情況的概率簡單來說就是 。所以，將 的每一個解求和，我們可以將總似然表示為。

和 的卷積，在 處被定義為。

如果我們把代入，我們得到。

為了使這一點更加具體，我們可以從球可能落地的位置來考慮。在第一次落地后，它將以概率 落在中間位置 。如果它落在 處，它落在 處的概率為 。

為了得到卷積，我們需要考慮所有的中間位置。

可視化卷積 -- Visualizing Convolutions

假設(shè)一個球落在離原點一定距離 的概率是。那么，它 從 處返回原點的的概率是。

如果我們知道球在第二次落地后落在 處，那么第一次的位置是 的概率是多少？

所以，前一個位置是 的概率是 。

每個中間位置球最終落在 處的概率。我們知道第一個落點把球放到中間位置 的概率是 。我們還知道，如果它落在 處，它在 處的概率是 。

將 的所有可能值相加，我們得到卷積結(jié)果。

通過移動下半部分，當(dāng)分布對齊時，卷積達到峰值。

并且隨著分布之間的交點越來越小而縮小。

下圖，我們能夠直觀地看到三角波與方波函數(shù)的卷積。

掌握了這個要點，很多概念變得更加直觀。

在音頻處理中有時會用到卷積。例如，人們可能會使用一個有兩個尖峰，但其他地方都是零的函數(shù)來創(chuàng)建一個回聲。當(dāng)我們的雙尖峰函數(shù)滑動時，一個尖峰首先擊中一個時間點，將該信號添加到輸出聲音中，之后，另一個尖峰跟隨，添加第二個延遲的副本。

高維卷積--Higher Dimensional Convolutions

卷積不僅僅適用于1維看空間，也適用于高維空間。

回顧開頭的例子，落下的球。現(xiàn)在，當(dāng)它落下時，它的位置不僅在一維中移動，而且在二維中移動。

和前面的卷積一樣。

只是，現(xiàn)在 ， ， 和 都是向量。更明確地說，

標(biāo)準(zhǔn)定義：

就像一維卷積一樣，我們可以把二維卷積看成是把一個函數(shù)滑動到另一個函數(shù)之上，進行乘法和加法。

卷積神經(jīng)網(wǎng)絡(luò)--Convolutional Neural Networks

那么，卷積與卷積神經(jīng)網(wǎng)絡(luò)的關(guān)系如何呢？

在一個1維卷積層中，輸入 ，輸出 。

從信號與系統(tǒng)的角度來描述，

是輸入信號，是輸出信號， 是系統(tǒng)，這個系統(tǒng)由 個神經(jīng)元組成，可以用輸入來描述輸出。

也可以用神經(jīng)網(wǎng)絡(luò)的方式來描述

其中 是輸入， 是權(quán)重。權(quán)重描述了神經(jīng)元與輸入的連接方式。

負(fù)的權(quán)重意味著輸入會抑制神經(jīng)元發(fā)射，而正的權(quán)重則鼓勵它發(fā)射。

權(quán)重是神經(jīng)元的心臟，控制著它的行為。如果說2個神經(jīng)元是相同的，即它們的權(quán)重是相同的。

其中一個常見的應(yīng)用是圖像處理。我們可以把圖像看作是二維函數(shù)。許多重要的圖像變換都是卷積，你用一個非常小的局部函數(shù)（稱為 “內(nèi)核”）對圖像函數(shù)進行卷積。

在上面的演示中，綠色部分類似于我們的 5x5x1 輸入圖像 。在卷積層的第一部分進行卷積操作的元素被稱為Kernel/Filter， 用黃色表示。我們選擇一個3x3x1矩陣作為Kernel。

Kernel 以一定的步伐向右移動，直到它解析出整行的寬度。接著，它以相同的步伐值跳到圖像的開頭（左邊），并重復(fù)這個過程，直到遍歷整個圖像。

在多通道圖像的情況下（ 如RGB ），Kernel 的深度與輸入圖像的深度相同。Kernel 與圖片 進行矩陣乘法，然后將所有結(jié)果與偏置相加，得到一個單通道卷積特征輸出。

卷積操作的目的是從輸入圖像中提取高級特征，如邊緣。傳統(tǒng)上，卷積層可以捕捉低級特征，如邊緣、顏色、梯度方向等。隨著層數(shù)的增加，架構(gòu)也可以捕捉高階特征，讓我們的神經(jīng)網(wǎng)絡(luò)對圖像有更深刻的理解。

該卷積有兩種結(jié)果--一種是卷積特征與輸入相比維度減少，有效填充（Valide Padding）。另一種是維度增加或保持不變，相同填充（Same Padding）。

當(dāng)我們將5x5x1的圖像填充為6x6x1的圖像，然后在其上應(yīng)用3x3x1的核，我們發(fā)現(xiàn)卷積矩陣變成了5x5x1的尺寸。因此，我們將其命名為--相同填充（Same Padding）。

另一方面，如果我們在沒有填充的情況下執(zhí)行同樣的操作，我們將得到一個具有內(nèi)核（3x3x1）本身尺寸的矩陣--有效填充（Valide Padding）。

池化層 -- Pooling Layer

與卷積層類似，Pooling層負(fù)責(zé)減少卷積特征的空間大小。這是為了通過降低維度來降低處理數(shù)據(jù)所需的計算能力。此外，它還有助于提取旋轉(zhuǎn)和位置不變的主導(dǎo)特征，從而保持模型的有效訓(xùn)練過程。下圖表示在5x5卷積特征上的3x3池化。

有兩種類型的池化。最大池化和平均池化。最大池化（Max Pooling）返回的是Kernel覆蓋的圖像部分的最大值。另一方面，平均池化（Average Pooling）返回Kernel覆蓋的圖像部分的所有值的平均值。

Max Pooling也是一種噪聲抑制器。它完全丟棄了嘈雜的激活，并在降低維度的同時進行去噪。另一方面，Average Pooling只是作為噪聲抑制機制進行維度降低。因此，我們可以說Max Pooling的性能比Average Pooling好很多。

卷積層和池化層，共同構(gòu)成了卷積神經(jīng)網(wǎng)絡(luò)的第層。根據(jù)圖像的復(fù)雜程度，可以增加這些層的數(shù)量，以便進一步捕捉低層次的細(xì)節(jié)，但代價是增加計算能力。

在經(jīng)歷了上述過程后，我們已經(jīng)成功地使模型理解了特征。接下來，我們要將最終的輸出結(jié)果進行扁平化處理，并將其饋送到普通的神經(jīng)網(wǎng)絡(luò)中，以達到分類的目的。

全連接層（FC層） —- Fully Connected Layer （FC Layer）

全連接層正在學(xué)習(xí)該空間中可能的非線性函數(shù)。

現(xiàn)在，我們已經(jīng)將輸入圖像轉(zhuǎn)換為適合多級感知器 （Multi-Level Perceptron） 的形式，我們將把圖像扁平化（Flatten layer）為列向量。扁平化的輸出被送入前饋神經(jīng)網(wǎng)絡(luò)，并在每次訓(xùn)練迭代中應(yīng)用反向傳播。在一系列的紀(jì)元中，該模型能夠區(qū)分圖像中的主導(dǎo)特征和某些低級特征，并使用Softmax分類方法對其進行分類。

總結(jié) -- Conclusion

我們在這篇博文中介紹了很多數(shù)學(xué)機制，但我們獲得的東西可能并不明顯。卷積顯然是概率論和計算機圖形學(xué)中的一個有用工具，但是用卷積來表述卷積神經(jīng)網(wǎng)絡(luò)，我們獲得了什么？

第一個好處是，我們有了一些非常強大的語言來描述神經(jīng)網(wǎng)絡(luò)的層。卷積大大簡化了繁瑣的計算工作。

其次，卷積非常容易實現(xiàn)。現(xiàn)存的許多庫都提供了高效的卷積方法。

此外，卷積看起來是一個 操作，但使用一些相當(dāng)深刻的數(shù)學(xué)見解，可以創(chuàng)建一個 的實現(xiàn)。

Tips：

我們想知道球第一次滾動 單位，第二次滾動 單位的概率。所以 。

卷積滿足交換律，即 。

卷積滿足結(jié)合律的，即，

編輯：jq