什麼是卷積？

解析：

對影象（不同的資料視窗資料）和濾波矩陣（一組固定的權重：因為每個神經元的多個權重固定，所以又可以看做乙個恆定的濾波器filter）做內積（逐個元素相乘再求和）的操作就是所謂的『卷積』操作，也是卷積神經網路的名字**。

非嚴格意義上來講，下圖中紅框框起來的部分便可以理解為乙個濾波器，即帶著一組固定權重的神經元。多個濾波器疊加便成了卷積層。
ok，舉個具體的例子。比如下圖中，圖中左邊部分是原始輸入資料，圖中中間部分是濾波器filter，圖中右邊是輸出的新的二維資料。

分解下上圖

對應位置上是數字先相乘後相加

=

中間濾波器filter與資料視窗做內積，其具體計算過程則是：4*0 + 0*0 + 0*0 + 0*0 + 0*1 + 0*1 + 0*0 + 0*1 + -4*2 = -8
				
什麼是卷積？
解析 對影象 不同的資料視窗資料 和濾波矩陣 一組固定的權重 因為每個神經元的多個權重固定，所以又可以看做乙個恆定的濾波器filter 做內積 逐個元素相乘再求和 的操作就是所謂的 卷積 操作，也是卷積神經網路的名字 非嚴格意義上來講，下圖中紅框框起來的部分便可以理解為乙個濾波器，即帶著一組固定權重...
				
什麼是卷積
在影象處理和神經網路中經常出現的乙個詞，卷積核 那到底什麼是卷積呢？卷積為什麼可以提取特徵或者檢測邊緣呢？我們一步一步慢慢看。首先，如圖，卷積對於離散的點來說就是兩個矩陣對應位置相乘再相加的和 也就是說卷積只是數學中的乙個叫法，並不是什麼高深語言 那為什卷積能夠提取特徵呢？先看模板的理解 乙個數學上...
				
什麼是卷積核？
卷積核的空間是對稱的。如果存在乙個卷積核a,那麼一定存在另外乙個卷積核b,使得b的轉置就是a.大部分卷積核是奇數的，為啥？奇數相對於偶數，有中心點，對邊沿 對線條更加敏感，可以更有效的提取邊沿資訊。偶數也可以使用，但是效率比奇數低。在數以萬計或億計的計算過程中，每個卷積核差一點，累計的效率就會差很多...