pg下载网站麻将胡了 什么是卷积
1.卷积
公式：
举例：
倘若存在这么一个人，他极为热衷于吃东西，假定此人一整天的24个小时都处于吃东西的状态，那么吃东西这一行为，是能够以一种抽象的形式，通过画图来予以呈现的，其中横坐标所代表的是进食的时间维度，纵坐标所代表的则是进食量的多少情况。
吃过东西之后，总是会进行消化的，消化的速度，跟吃的是什么以及吃了多少数量并无关联，仅仅和时间存在关系，横坐标涵盖着时间，纵坐标表示的是剩余食物的比例，是在某个特定时间还剩余的比例，并非是胃里面还有多少食物的量。
倘若非得去询问某段时间内胃里剩余的食物量究竟有多少，那就得运用卷积公式，在这个公式里：
用f函数表示进食
用g函数表示消化
要是不将消化这一因素纳入考量范围，那么仅仅只需将某一时刻之前所吃下的全部食物进行相加操作，也就是针对函数开展积分这一行为就可以达成 。
然而实际存在的问题在于，所吃下的东西终究还是会被进行消化的，也就是讲假定在中午十二点的时候吃了一碗米饭，等到下午两点之际，米饭已然被消化了一部分，要是想要知晓被消化了多少数量，仅仅去看f函数是不足够的，还需要去参考消化函数 。
注意到米饭于12点进入胃部，直至14点，其间历经了2个小时的消化过程，在这两个小时的消化完毕之后，米饭于胃内所剩余的比率pg下载通道，即为g（2）这个点所表征的纵坐标，因而运用此比例去乘12点所摄入食物的数量，便能够代表14点此刻食物尚存的数量了。（恰似两个小时过后米饭留存40%，那么便用初始的总量f（12）去乘40%，所得结果就是剩余得有多少米饭） 。
同样的道理，试想在别的时刻，也食用了诸多各异的食物，那么在14点时，剩余了多少，同样是运用相同的办法来开展计算的。
要是把用于计算胃里究竟存有多少食物的那种计算方式予以推广，进而得出一般情形下的公式，在t这个时刻，胃里到底还剩余多少食物呢。
留意：只要是卷积，两个函数里的自变量相加以后就会消除其中一个，余下另外一个 。
对于x，它和t - x可以代表着f函数与g函数的连线，其中，这种连线里可能是f函数上有个点对应着g函数上的某个点，这两个点进行相乘，所得到的具体是什么意思呢，是t时刻还剩下多少x时刻吃下去的食物，然后对这些因相乘得到的食物进行相加，相加的具体操作是什么呢，也就是需要分别把所有的f函数和g函数对应点都进行相乘，之后再把相乘的结果相加，最终得到的就是胃里剩下的所有食物 。
总结一下：在这个案例之上，去弄懂狭义的卷积的物理意义，也就是说，要是存在一个系统，其输入是不稳定的（不稳定输入函数f），而输出是稳定的（稳定输出函数g），那么便能够运用卷积去求取这个系统的存量。
倘若把上面那幅图里的g函数进行翻转，便能够察觉到，看上去不会那么别扭了，由于是反转的缘故，所以才称作卷积。
2.卷积图像操作
卷积神经网络有着一项主要用途，那便是去识别呈现在图片里的内容，像是将图片之中的猫挑选出来，它之所以被称作卷积神经网络，是由于在把图片交付给神经网络之前，需要先针对图像开展卷积操作，那么，究竟什么则是图像的卷积操作呢 ？
电脑中的图片，可以看作是一个一个的像素点
同样能够视作是一个规模较大的表格，此表格当中呈现的便是该像素的详细信息，像是灰度值，又如RGB值等等 。
卷积操作，实际上是运用一个3*3的点阵，与图像展开操作。其中，这个3*3的点阵，被称作卷积核。
把卷积核放置在图像的点阵之上，接着让对应的两个数开展相乘操作，对于3*3的点阵而言，应当是存在九个数去进行相乘，最后还得将这9个结果加起来保存于一处，这便等同于获取到了一个新的像素值。
接下来，要将卷积核用于整个图像的扫描，之后，所获得的会是经过卷积操作的新图像，就是这样 。
然而，察觉到经卷积操作后所获取的新图像老是少一圈，因而，在处理之前，要在图像外部添加一圈全是0的像素，如此一来，便能得到一幅同样尺寸的图片了 。
卷积和图像的卷积操作有什么联系呢？
什么是函数f什么是函数g呢？
在进行图像卷积操作之际，乃是把图片跟卷积核先行相乘之后再相加，因而图象与卷积核其一为f，另一为g，图像之上的像素点处于持续变化当中，卷积核则是一个恒定不变的点阵，故而图象便是函数f，卷积核即为函数g 。
当进行图像卷积时，对于一个图片而言，与之对应的f函数，应当是一个与横纵坐标存在关联的二元函数，该函数的图像，理应是一个平面波。
假设在这个时候，依旧运用前文所讲的狭义的卷积定义去进行理解，那么就没办法把卷积核禾龸g函数连接到一块，因而，应当重新去领会卷积究竟是什么，？
假设在t时刻，出现了飓风，发生飓风的缘由pg下载官方认证，是因为之前有好多蝴蝶扇动了翅膀，比方说在x时刻，有一只蝴蝶扇动了翅膀，而此事会对t时刻发生的飓风造成影响，不过这个影响会随时间改变而变化，其影响的变化是由g函数来展现的。所以右侧方框里的卷积处理的是，之前蝴蝶扇动翅膀，对当下发生的飓风产生了怎样的影响。可以将所有卷积进行重新理解，有这样一件事，它在某一时刻发生了，这件事情的产生同许多之前发生的事情相关，会受到其影响，具体究竟是怎样的影响，还要看之前事情发生的时刻x与这件事情发生的时刻t之间的那段时间，而规定这段时间里事情影响力变化情况的就是g函数。
图像执行卷积操作时，兴许便是细察诸多像素点对于某一个像素点施加这样那样的效应的情况 。
卷积核有啥作用呢？卷积核点阵当中数字各异，最终处理得到的图像效果也不一样，如下图所示的卷积核乃是寻得一个像素点pg下载，接着将其周边的像素点全部加起来，随后求取平均值，依此处理图像能够使图像变得更为平滑，更为朦胧，故而这称作平滑卷积操作 。
平滑卷积操作所呈现的效果同样如图中所示，那什么是起到平滑作用的操作呢？此操作的具体含义是，要使得其周边环绕着的像素点，与被选定的像素点之间的差异绝对值，不要产生达到大的程度的改变。基于这样的情况，关于卷积核所发挥的作用，此刻也就可以从中了解知晓了：这就是明确规定了，其周边的那些像素点到底是依据怎样的方式，来针对被选定的处于当前位置的像素点产生影响作用的。
进行卷积核的数学运算时，要是我们想弄清楚那种情况，即左下角的像素点对中心像素点所产生的影响状况，那么就能依此类比成这样的情形，也就是x时刻发生的那些事情对t时刻发生的那些事情所产生的影响情况，进而就能够知晓g函数的参数变量是t - x，如此一来便能够轻松地计算得出左下角的像素点应当乘g（1，1） 。
计算出所有周围像素点该乘的数后，能够就发现，卷积核是恰好反着的，于是把卷积核旋转180°，能够发现，刚好相对应。
换而言之，g函数有着别于卷积核，二者恰好存在旋转的180°的差异，我们之前所见到的卷积核能够直接放置在图像之上，直接进行相乘之后再相加，已然省略了旋转的环节，。
总的来说，卷积能够被视作过往对于当下所产生的那种影响，同时，它还能够被看成是周边的像素点对于处于中心位置被选定的像素点的影响，而g函数恰恰就是规定了究竟是以怎样的方式去施加影响的那个关键部分 。
3.卷积神经网络
卷积之操作，对于卷积神经网络的第一层而言，乃是关键所在，其就如同视网膜在看到图片之后，会先开展预处理，之后才传导至大脑。因此提问就演变成了啥模样呢，卷积神经网络的底层究竟在实施何种作为，以及其与卷积究竟存在着怎样的关联呢？
用于图像识别的卷积神经网络，在面对输入有包含x与o的图像时，能够借助该网络把它们识别出来，是这样的情况 。
但重点不是识别规规整整的情况，而是一些歪歪扭扭的x和o
像素点会被计算机在进行识别时挨个比较，那结果是对计算机而言这其实是两种东西，然而对于人类来说却是很好识别的图像了 。
但要是认真去观察进而发觉，两边的图像虽说并非一样，然而要是仅仅去看局部的话，会察觉到局部存在相同之处的 。
因此呢，卷积神经网络识别图像时的第一步，便是将图像的局部特征挑选出来，接着把这些局部特征交付给神经网络，随后由神经网络去作判断；而计算机提取局部个特征，是借助对图像实施卷积操作来达成的，是这样的。
前面学到，卷积核是用来处理周围像素与中心像素点关系的，那么是怎样提取特征的呢，因为卷积核并非只有一种平滑卷积核，例如下面两个卷积核，第一个是提取图像的垂直边界，而忽略了水平边界，第二个是提取水平边界，却忽略了垂直边界，这时能够发现，利用卷积核把图片里的特征提取出来了。
卷积操作存在着另外一个功能，即要是所挑选的卷积合非常恰当，那么便能够针对图片实施过滤行为，将某些特定的特征予以留存，把其余部分的特征过滤掉。如此这般的卷积核又被称作过滤器，因而上图那里存在的两个卷积核分别被叫做垂直边界过滤器以及水平边界过滤器。
先将图像与卷积核进行相乘，之后再相加，这一过程能够被视作周围像素点对当前像素点产生的影响，同时也能够被视作当前像素点对周围像素点展开的试探。那卷积核就是用于试探的模板，要是不想把某个位置纳入考虑范围，那么就能够将其设置为0，若是想把某个位置纳入考量，那就可以把卷积核上与之对应的数值进行拉高。卷积操作实际上就是针对周围像素点所展开的一种主动的试探以及选择行为，借助卷积核把周围具备的有用的特征进行保留。
把问题返回到上面那张图里关于识别x的情况，借助三个卷积核，则能够将被框好的三个特征给过滤提取出来，。
将整个图像，依次和三个卷积和做匹配，之后，便能明显看出，与某个特征匹配的所有信息 。
最终总结：
卷积的含义：
以上笔记出自b站up主：王木头学科学
该链接为，哔哩哔哩网站的一个空间地址，其对应的空间账号为 504715181，此空间有相关视频，视频所在分类标签为 tid=36，且该视频无特定关键词，其排序依据为发布日期 。
