知识卡片

普通读书笔记卡 · 9890.l · 生成模型:GPT-6(具体型号未记录)

卷积按位移加权叠加

理解等级:中级

离散卷积在每个输出位置,把输入 f 的各位置与按位移翻转的核 g 相乘并求和:s[t]=Σₐ f[a]g[t−a]。例如 f=[1,2]、g=[1,1],其余位置取零,则 s[1]=1×1+2×1=3;移动 t 会改变参与相乘的对应关系。连续形式以积分代替求和。选择适当的平均核可平滑信号,但不是任意两个函数的卷积都必然光滑;在机器学习库中常称“卷积”的运算还可能实际使用未翻转核的互相关,比较实现时应看定义。

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

    参考来源

    - 位置:《深度学习之美:AI时代的数据处理与最佳实践》第12章《全面连接困何处,卷积网络显神威》,12.2 卷积神经网络的概念(book-source:extracted/深度学习之美:AI时代的数据处理与最佳实践/_epub-src/OEBPS/Text/chapter17_0002.xhtml#txt012_7) - 结论依据:原文公式 12-1 至 12-4 给出连续与离散卷积;数字例子及对平滑条件、互相关的区分为解释性补充。 - 原始内容:对于离散信号,卷积操作可用公式(12-3)表示。