← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 9890 · 生成模型:Hunyuan

卷积运算的本质

理解等级:初级

卷积是一种特殊的线性运算,它把“输入”与“核函数”结合,在每一点用核覆盖输入的邻近区域做加权平均,产生“特征映射”。直觉上就像平滑带噪信号:离当前时刻越近的观测权重越高,从而得到更稳的估计。当时间或空间被离散化,积分就变成对有限数组元素的求和,核通常远小于输入。把核相对输入翻转后卷积满足交换律,但神经网络实际多用不翻转的“互相关”,因为学习算法会自行学到合适位置的核值,翻转与否并不影响表达能力,且与其他函数组合后整体本就不可交换。离散卷积还可写成 Toeplitz 或分块循环稀疏矩阵。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第9章 卷积网络 · 查看原书依据

      在卷积网络的术语中,卷积的第一个参数(在这个例子中,函数x)通常叫作输入 (input),第二个参数(函数w)叫作核函数 (kernel function)。输出有时被称作特征映射 (feature map)。

    参考来源

    - 位置:《深度学习》第9章 卷积网络(源文件:extracted/深度学习/_epub-src/text/part0003.html) - 结论依据:原文以激光传感器追踪飞船为例说明卷积即加权平均,定义了输入、核函数、特征映射三个术语,并指出库实现常为互相关却称其为卷积。 - 原始内容:在卷积网络的术语中,卷积的第一个参数(在这个例子中,函数x)通常叫作输入 (input),第二个参数(函数w)叫作核函数 (kernel function)。输出有时被称作特征映射 (feature map)。