你可以把卷積想象成一種混合資訊的手段。想象一下裝滿資訊的兩個桶，我們把它們倒入乙個桶中並且通過某種規則攪拌攪拌。也就是說卷積是一種混合兩種資訊的流程
卷積過程是基於乙個小矩陣，也就是卷積核，在上面所說的每層畫素矩陣上不斷按步長掃過去的，掃到數與卷積核對應位置的數相乘，然後求總和，每掃一次，得到乙個值，全部掃完則生成乙個新的矩陣
如下圖：
可以發現卷積之後的維數降低了
我們發現，橙色的固定框為3*3，綠色是5*5出來的是3*3
可以得到的規律是：
粉紅色最後的卷積結果（矩陣維度）=綠色矩陣維數-橙色矩陣維數+1
卷積核如何設定可以參考卷積神經網路的卷積核大小、個數，卷積層數如何確定呢？一般取(3,3)的小矩陣，卷
深入理解卷積神經網路 VGG16
二 分析 vgg16 的過程 三 理解神經網路 vgg 16 四 用vgg16 來做乙個影象識別案例 vgg是由simonyan 和zisserman在文獻 very deep convolutional networks for large scale image recognition 中提出卷...
理解深度卷積網路
1 如何分類貓和狗？在kaggle的cat dogs比賽中，提供一系列有貓和狗標記的影象。訓練集包含25000張關於狗和貓的，測試集包含12500。影象有不同的解析度，貓和狗有不同的形狀，位置，顏色。可能坐著，可能開心或者傷心。貓可能睡覺狗可能在吠。神經網路在分類時高效是其自動學習抽象的多層，其簡化...
如何理解卷積神經網路中的1 1卷積
原文 我們都知道，卷積核的作用在於特徵的抽取，越是大的卷積核尺寸就意味著更大的感受野，當然隨之而來的是更多的引數。早在1998年，lecun大神發布的letnet 5模型中就會出，影象空域內具有區域性相關性，卷積的過程是對區域性相關性的一種抽取。但是在學習卷積神經網路的過程中，我們常常會看到一股清流...