机器学习4：卷积运算简介【旧笔记整理】

（1）卷积运算简介：

         卷积即在卷积核滑动过程中，矩阵与卷积核对应位置的数据相乘最后乘积求和的计算过程。

         

 

（2）卷积运算的特性：

          ①稀疏连接：

             1.原理：通过将卷积核大小限制为远小于输入的大小来实现；

             2.意义：通过稀疏连接可以减少权重参数的数量，可以降低计算的复杂度，并防止过拟合提高模型的泛化性。

          ②参数共享：

             1.简介：相同的参数被用在同一个模型的多个函数中，在卷积神经网络中，核的每个元素会作用在输入的每一个位置上，即用一个滤波器滑动整张图片，也就是滤波器共享；

             2.意义：参数共享可以显著降低参数的数量，它不会改变前向传播的运行时间，它只是显著地把需要存储的权重系数数量降低。

          ③平移变换：

              1.简介：等变在数学中指某个函数当输入改变，输出以同样的方式改变。

                            卷积具有平移等变特性，即移动输入图像，卷积后输出依然会得到相同的量。

              2.意义：处理图像时，平移等变使卷积产生了一个二维映射来表明输入中某些存在的特征，如果移动输入的某些对象，则输出中的特征也会进行一定的移动。

 

（3）tensorflow中卷积运算的实现：

          conv2d（input,filter,strides,padding,use_cudnn_cn_gn,data_format,name）等。