深度学习篇---卷积“一镜到底”

如果说CNN是一台精密的扫描仪那么卷积核就是扫描仪上那束最核心的光。它决定了网络能从图像中“看出”什么。一、卷积核到底是什么核心思想卷积核也称为过滤器是一个微小的、可学习的权重矩阵。它就像一个小刷子或一块抹布在图像上从左到右、从上到下地“抹”过去。每“抹”一个区域就做一个“点积”运算最终产出一张新的“特征图”。尺寸Size定义了“刷子有多大”。常见的有 3x3, 5x5, 7x7。越大的核感受野越大参数也越多。深度Depth必须与输入数据保持一致。例如输入的彩色图有R、G、B三个通道深度为3那卷积核的深度也是3。计算时每个通道上的对应二维矩阵分别做点积再求和。数量Number决定输出特征图有多少个通道。如果我们用16个不同的核输出就有16个通道。每个核负责学习一种不同的特征。卷积运算的本质模式匹配理解单个卷积核运算的本质非常重要。它不是简单的扫描而是一种局部模式匹配器。想象一下你手里有一个“X”形状的模板即卷积核你在整张图像上寻找哪里和你的模板长得最像。这个“像不像”的程度就是通过一次内积运算来计算的。当核与图像局部块完全吻合时假设你的核是一个“/”对角线检测器其权值矩阵为[[0,0,1],[0,1,0],[1,0,0]]。当你把它放在图像中“/”对角线同样为亮色高像素值的地方时两者逐点相乘再求和会得到一个极大的正值。当核与图像局部块完全相反时如果图像局部是“\”对角线也就是你核的相反模式计算后会得到一个极大的负值。当图像局部是平坦无特征的区域时计算结果会接近于0。所以卷积运算的结果特征图像素值代表了“该卷积核所寻找的特征在当前图像区域出现的程度”。值越大匹配度越高。二、为什么非要这么“刷”——四大设计哲学这种看似笨拙的滑动操作背后有精巧的设计思想主要带来两大好处参数共享在整个图像上滑动的是同一组权重同一个卷积核。这意味着一个能检测“眼睛”的核无论眼睛出现在图片的左上角还是右下角它都能认出来。相比于全连接网络参数量呈指数级下降极大降低了过拟合风险并提升了效率。稀疏连接卷积核每次只关注它覆盖的那个小窗口而不是像全连接层那样一次性看所有像素。这迫使网络先学习局部特征如一个边角然后在高层再组合成全局特征如一张脸。这种从局部到整体的构建方式非常符合视觉感知的规律。三、核心超参数你如何控制“刷墙”的动作你可以通过几个旋钮来精细控制卷积核的行为1. 步长定义卷积核窗口每次滑动的像素距离。直觉你“抹”得有多快。效果步长越大输出的特征图尺寸越小计算量也越小但可能跳过一些细节。步长为1则是逐像素平滑移动。2. 零填充定义在输入图像的边界外围人为地填充一圈或多圈数值0。直觉给原图加一个“画框”。目的控制输出尺寸不做填充每次卷积输出都会变小几层下来图就没了。填充可以让输出保持和输入相同尺寸。利用边缘信息让边缘的像素点也能被多次扫描不至于被边缘化。这两个超参数共同决定了输出特征图的尺寸计算公式为\[ \text{输出尺寸} \frac{\text{输入尺寸} - \text{核尺寸} 2 \times \text{填充大小}}{\text{步长}} 1 \]四、从微观到宏观卷积核的层级协作单独一个卷积核只能识别一种简单模式。CNN的强大在于它的层级结构不同层的卷积核像流水线一样协作浅层卷积核是“细节检测员”。它们关注像素级别的简单图案比如边缘检测核水平边、垂直边。颜色检测核识别特定颜色的斑点。纹理检测核识别特定的简单纹理。中层卷积核是“零件组装师”。它们将浅层识别出的边和纹理组合成更复杂的“零件”比如形状检测核圆形、方形、螺旋。重复纹理检测核网格、条纹布。高层卷积核是“概念识别师”。它们将“零件”组装成有语义的概念比如对象局部检测核专门识别眼睛、鼻子、轮子、窗户。最终组合由全连接层将所有局部概念组合输出这是“人脸”还是“汽车”的判断。五、特殊卷积核变形与进化标准卷积之外还有几种特殊的“变形金刚”1x1 卷积核看似只是单个数但它在通道维度上进行“加权组合”。主要作用是降维或升维相当于用一个很小的成本来融合、调整特征图的通道数增加非线性但不改变长宽尺寸。空洞卷积在标准卷积核的像素之间插入“空洞”即0。好处是可以在不增加参数的前提下指数级扩大感受野适合需要看清全局但不想让图片缩得太小的任务。深度可分离卷积把标准卷积分解为两步先在每个通道上独立做二维卷积再用1x1卷积融合通道。这是MobileNet等轻量级模型的秘密武器可以极大减少参数量和计算量。总结框图这张图总结了卷积核从参数、作用到进化的全貌