前言

本文教程均来自b站【小白也能听懂的人工智能原理】，感兴趣的可自行到b站观看。

代码及工具箱

本专栏的代码和工具函数已经上传到GitHub：1571859588/xiaobai_AI: 零基础入门人工智能 (github.com)，可以找到对应课程的代码

正文

卷积层在神经网络中的应用

在上节课中，我们学到了卷积操作的基本概念。现在，让我们看看如何将卷积运算应用到神经网络中。

假设我们有一个8×8像素的灰度图像，我们用一个3×3的卷积核对其进行卷积处理，得到一个6×6的结果。执行这个卷积运算的层叫做卷积层。处理完卷积后，我们可以将得到的结果转换成一个数组，然后送入后面的全连接层进行进一步处理。

你可能会好奇卷积核中的数值是如何确定的。实际上，这些值在开始时是随机初始化的，就像神经网络中的其他权重一样。通过训练过程，这些卷积核的值会学习调整，以更好地捕捉图像中的特征，比如垂直边缘、水平边缘或其他模式。

简而言之，卷积层通过其卷积核学习到的值，能够自动提取图像的特征，并为后续的全连接层提供更有意义的输入数据。这个过程使得神经网络能够更有效地理解和分类图像内容。

通过训练，我们可以找到合适的卷积核来提取图像中的不同特征。那么，卷积层中的参数是如何学习的呢？答案和全连接层的神经元一样，是通过反向传播和梯度下降来学习的。

卷积层和其他层一样，通过反向传播过程，我们可以将误差从最后一层逐步传回到前面的层。假设我们的原始图像是4×4的大小，使用一个3×3的卷积核进行卷积，得到一个2×2的矩阵。然后，这个结果被送入全连接层，假设全连接层只有两个神经元，最终通过输出层（对于MNIST数据集，输出层有10个神经元，对应10个分类）得到预测结果。这是前向传播的过程。

在反向传播过程中，我们首先计算代价函数，然后使用链式法则将误差传回到全连接层的权重和偏置参数上。那么，如何将误差传回到卷积层呢？

虽然卷积层的操作看起来和全连接层不同，但实际上我们可以将其类比为普通神经元的操作。卷积过程涉及卷积核与图像中的小区域（比如3×3的区域）对应元素相乘后求和，这与普通神经元的加权求和过程非常相似。

因此，尽管卷积层在前向传播时处理数据的方式不同，但在反向传播时，我们仍然可以应用类似全连接层的方法来更新卷积层的参数。这样，卷积层就可以通过训练学习到最佳的卷积核，以有效地提取图像特征。

卷积层可以看作是多个普通神经元的组合，每个神经元都处理图像的一部分，并通过线性运算和激活函数得到输出。

举个例子：

想象一个3x3的图像作为输入，卷积核也是一个3x3的矩阵。我们将卷积核滑动到图像上，每次覆盖一个3x3的区域，并计算这个区域中所有像素点与卷积核对应元素相乘再相加的结果，再加上一个偏置项b。这个过程就相当于一个普通神经元的线性运算。

重复这个过程：

我们将卷积核在图像上滑动多次，每次都得到一个新的结果，这些结果分别对应不同的神经元。最终，我们将所有神经元的输出组合起来，并通过激活函数进行非线性变换，得到卷积层的最终输出。

卷积层就像一个特殊的“积木”，它由多个小积木（神经元）组成，每个小积木都处理图像的一部分，并提取其中的特定特征，例如边缘或纹理。

这些小积木的特别之处在于，它们使用相同的“图纸”（权重参数）来建造，这意味着它们提取特征的方式是一样的。无论图像中的特征出现在哪个位置，它们都会用同样的方法去识别。这就是所谓的“参数共享”，它使得卷积层能够用更少的积木建造出复杂的结构，就像乐高积木一样。

相比于普通的神经元，卷积层中的小积木的输出是二维的，而不是一维的。当需要将卷积层的输出送到其他层时，需要将这个二维的输出“压扁”成一维的向量。

卷积层之所以能够通过参数共享提取特征，是因为图像具有平移不变性。这意味着图像中的特定特征，例如垂直边缘，在不同的位置具有相同的表达方式。因此，一个卷积核可以提取图像中的所有垂直边缘，而不需要为每个位置单独设计一个卷积核。

卷积层通过多个卷积核提取图像的不同特征，例如边缘、纹理等。每个卷积核都对应一个神经元，其输出是图像中特定特征的响应。卷积层的最终输出是所有神经元输出的组合。

卷积层是卷积神经网络的核心组件，它能够有效地提取图像特征，并降低模型参数数量，从而降低训练难度和计算量。

点击【初学人工智能原理】【11】卷积神经网络：图像识别实战 - 古月居 (guyuehome.com)可查看全文