如何透彻理解卷积的数据原理与机制：从抛球实验说起

抛球实验 -- Ball drop experiment

想象一下，我们把一个球从某个高度落到地面上，它只有一个运动维度。如果你把球落下，然后再从它的落点上方把它落下，球会走一段距离  的可能性有多大？

我们来分析一下: 第一次下落后，它将以概率  落在离起点一个单位的地方，其中是概率分布。现在，在第一次落下之后，我们把球捡起来，从它第一次落地点以上的另一个高度落下。球从新的起点滚动  个单位的概率是 ，如果它是从不同的高度落下的，那么  可能是不同的概率分布。

如果我们把第一次下落的结果固定下来，使我们知道球走了距离 ，对于球走的总距离 ，第二次下落时走的距离也固定为 ，即 。所以这种情况发生的概率简单来说就是 .。

我们用一个具体的离散例子来思考这个问题。我们希望总距离  为 3。如果它第一次滚动，，那么第二次必须滚动 ，才能达到我们的总距离 。这个概率是 。

然而，这并不是我们可以达到总距离3的唯一方法。球可以第一次滚1个单位，第二次滚2个单位。或者第一次滚0个单位，第二次滚3个单位。它可以是任何  和 ，只要他们加起来是 3。

如上图所示，其概率分别为  和 。

为了求出小球到达总  的总概率，我们不能只考虑到达  的一种可能方式，而是考虑将  分成  和  的所有可能方式，并将每种方式的概率相加。

我们已经知道， 的每一种情况的概率简单来说就是 .所以，将  的每一个解求和，我们可以将总似然表示为。

 和  的卷积，在  处被定义为。

如果我们把代入，我们得到。

为了使这一点更加具体，我们可以从球可能落地的位置来考虑。在第一次落地后，它将以概率 落在中间位置 。如果它落在  处，它落在  处的概率为 。

为了得到卷积，我们需要考虑所有的中间位置。

可视化卷积 -- Visualizing Convolutions

假设一个球落在离原点一定距离  的概率是。那么，它 从  处返回原点的的概率是。

如果我们知道球在第二次落地后落在 处，那么第一次的位置是  的概率是多少？

所以，前一个位置是  的概率是 .

每个中间位置球最终落在  处的概率。我们知道第一个落点把球放到中间位置  的概率是 。我们还知道，如果它落在  处，它在  处的概率是 。

将  的所有可能值相加，我们得到卷积结果。

通过移动下半部分，当分布对齐时，卷积达到峰值。

并且随着分布之间的交点越来越小而缩小。

下图，我们能够直观地看到三角波与方波函数的卷积。

掌握了这个要点，很多概念变得更加直观。

在音频处理中有时会用到卷积。例如，人们可能会使用一个有两个尖峰，但其他地方都是零的函数来创建一个回声。当我们的双尖峰函数滑动时，一个尖峰首先击中一个时间点，将该信号添加到输出声音中，之后，另一个尖峰跟随，添加第二个延迟的副本。

高维卷积--Higher Dimensional Convolutions

卷积不仅仅适用于1维看空间，也适用于高维空间。

回顾开头的例子，落下的球。现在，当它落下时，它的位置不仅在一维中移动，而且在二维中移动。

和前面的卷积一样。

只是，现在 , , 和  都是向量。更明确地说，

标准定义:

就像一维卷积一样，我们可以把二维卷积看成是把一个函数滑动到另一个函数之上，进行乘法和加法。

卷积神经网络--Convolutional Neural Networks

那么，卷积与卷积神经网络的关系如何呢？

在一个1维卷积层中，输入 ，输出 。

从信号与系统的角度来描述，

 是输入信号，是输出信号， 是系统，这个系统由  个神经元组成，可以用输入来描述输出。

也可以用神经网络的方式来描述

• 其中 是输入, 是权重。权重描述了神经元与输入的连接方式。
• 负的权重意味着输入会抑制神经元发射，而正的权重则鼓励它发射。
• 权重是神经元的心脏，控制着它的行为.如果说2个神经元是相同的，即它们的权重是相同的。

其中一个常见的应用是图像处理。我们可以把图像看作是二维函数。许多重要的图像变换都是卷积，你用一个非常小的局部函数（称为 "内核"）对图像函数进行卷积。

图像尺寸= 5(高度)x5(宽度)x1(通道数)

在上面的演示中，绿色部分类似于我们的 5x5x1 输入图像 。在卷积层的第一部分进行卷积操作的元素被称为Kernel/Filter, 用黄色表示。我们选择一个3x3x1矩阵作为Kernel。

Kernel 以一定的步伐向右移动，直到它解析出整行的宽度。接着，它以相同的步伐值跳到图像的开头（左边），并重复这个过程，直到遍历整个图像。

在多通道图像的情况下( 如RGB )，Kernel 的深度与输入图像的深度相同。Kernel 与图片  进行矩阵乘法，然后将所有结果与偏置相加，得到一个单通道卷积特征输出。

卷积操作的目的是从输入图像中提取高级特征，如边缘。传统上，卷积层可以捕捉低级特征，如边缘、颜色、梯度方向等。随着层数的增加，架构也可以捕捉高阶特征，让我们的神经网络对图像有更深刻的理解.

该卷积有两种结果--一种是卷积特征与输入相比维度减少,有效填充（Valide Padding）。另一种是维度增加或保持不变，相同填充（Same Padding).

当我们将5x5x1的图像填充为6x6x1的图像，然后在其上应用3x3x1的核，我们发现卷积矩阵变成了5x5x1的尺寸。因此，我们将其命名为--相同填充（Same Padding）。

另一方面，如果我们在没有填充的情况下执行同样的操作，我们将得到一个具有内核（3x3x1）本身尺寸的矩阵--有效填充（Valide Padding）。

池化层 -- Pooling Layer

与卷积层类似，Pooling层负责减少卷积特征的空间大小。这是为了通过降低维度来降低处理数据所需的计算能力。此外，它还有助于提取旋转和位置不变的主导特征，从而保持模型的有效训练过程。下图表示在5x5卷积特征上的3x3池化。

有两种类型的池化。最大池化和平均池化。最大池化（Max Pooling）返回的是Kernel覆盖的图像部分的最大值。另一方面，平均池化（Average Pooling）返回Kernel覆盖的图像部分的所有值的平均值。

Max Pooling也是一种噪声抑制器。它完全丢弃了嘈杂的激活，并在降低维度的同时进行去噪。另一方面，Average Pooling只是作为噪声抑制机制进行维度降低。因此，我们可以说Max Pooling的性能比Average Pooling好很多。

卷积层和池化层，共同构成了卷积神经网络的第层。根据图像的复杂程度，可以增加这些层的数量，以便进一步捕捉低层次的细节，但代价是增加计算能力。

在经历了上述过程后，我们已经成功地使模型理解了特征。接下来，我们要将最终的输出结果进行扁平化处理，并将其馈送到普通的神经网络中，以达到分类的目的。

全连接层(FC层) —- Fully Connected Layer (FC Layer)

全连接层正在学习该空间中可能的非线性函数。

现在，我们已经将输入图像转换为适合多级感知器 (Multi-Level Perceptron) 的形式，我们将把图像扁平化(Flatten layer)为列向量。扁平化的输出被送入前馈神经网络，并在每次训练迭代中应用反向传播。在一系列的纪元中，该模型能够区分图像中的主导特征和某些低级特征，并使用Softmax分类方法对其进行分类。

总结 -- Conclusion

我们在这篇博文中介绍了很多数学机制，但我们获得的东西可能并不明显。卷积显然是概率论和计算机图形学中的一个有用工具，但是用卷积来表述卷积神经网络，我们获得了什么？

• 第一个好处是，我们有了一些非常强大的语言来描述神经网络的层。卷积大大简化了繁琐的计算工作。
• 其次，卷积非常容易实现。现存的许多库都提供了高效的卷积方法。
• 此外，卷积看起来是一个 操作，但使用一些相当深刻的数学见解，可以创建一个  的实现。