概述
卷积层（Convolution） 的作用：在图片上进行 特征提取，每次在 一个小区域 进行特征提取
本文以 对 灰度图 进行 边缘检测 作为案例
人怎样识别图片
人在识别图片时，首先得找到图片中各个部分的 边缘 和 轮廓，而 边缘 和 轮廓 只与 相邻近的像素 有关。
也就是说：人识别图片的过程中，并不是一下子整张图同时识别，而是对于图片中的每一个特征首 先局部感知，然后更高层次对局部进行综合操作，从而得到全局信息
这个过程就像我们看美女、帅哥，先看局部，再看整体
案例（吴恩达）
如下面的左图，经过 垂直边缘检测 和 水平边缘检测 ，得到右侧的两幅图，如下图：
本案例重点讲解 垂直边缘检测
1. 图像数据
上图是灰度图，只是黑白，假设 此图的数据是6*6*1的矩阵，如下：
2. 垂直过滤器（卷积核）
为了检测图像中的 垂直边缘 ，构造一个3*3的矩阵，如下图：
在卷积神经网络中，这个矩阵被称为 过滤器（Filter） 或者 滤波器 或者 卷积核（Kernel）。
3. 图像 与 卷积核 运算（卷积运算）
使用3*3矩阵的 卷积核 和6*6矩阵的灰度 图像 ，进行 卷积运算
过程如下：
在图像矩阵上，有一个和 卷积核 相同尺寸的 滑窗（下图粉色部分），然后将滑窗中的矩阵 与 卷积核矩阵对应位置 相乘，然后再求和，具体如下
动态图显示
https://gitee.com/65242847/images/blob/master/%E5%8D%B7%E7%A7%AF%E5%8A%A8%E7%94%BB%E5%9B%BE.md
第1次运算：
第一步：
将图像上 滑窗 3*3矩阵，与 3*3的 卷积核 做乘法运算：
运算过程如下：
第二步：
然后将该矩阵 每个元素相加，即3 + 1 + 2 + 0 + 0 + 0 + (-1) + (-8) + (-2)= -5，结果-5就是4*4矩阵第一行第一个元素
注意： 此步需要加上 一个 偏置量（bias），偏置量 默认为0，所以没体现，下同
第2次运算：
第一步：
将图像上 滑窗 3*3矩阵 右移一格，与 3*3的 卷积核 做乘法运算：
运算过程如下：
第二步：
然后将该矩阵 每个元素相加，即0 + 0 + (-2) + 5 + 0 + (-9) + 7 + 0 + (-5)= -4，结果-4就是4*4矩阵第一行第二个元素
第3次、第4次运算
将图像上 滑窗 3*3矩阵 右移一格，与 3*3的 卷积核 做乘法运算，结果如下：
将图像上 滑窗 3*3矩阵 右移一格，与 3*3的 卷积核 做乘法运算，结果如下：
第5次运算
将图像上 滑窗 3*3矩阵 下移一格 并 移动到最左侧，与 3*3的 卷积核 做乘法运算，结果如下：
第n次运算
同上
结果
最终结果如下：
水平边缘检测
水平卷积核如下：
水平边缘检测原理 与 垂直边缘检测原理 相同
卷积核
卷积核权重：
- 即卷积核 矩阵中的数值
- 在tensorflow/keras中是随机初始化的
- 在训练时，通过学习会自行修改
卷积核的种类：
有很多种类，用于提取不同的特征，所以一般会有 很多个 卷积核
https://my.oschina.net/u/876354/blog/3064227
如何设置卷积核？
小而深，单独较小的卷积核也是不好的，只有堆叠很多小的卷积核，模型的性能才会提升
卷积核大小通常为 奇数
移动步长（stride）
滑动的步长，stride，记为S
步长取值
S越小，提取的特征 越多，但是S 一般 不取1，主要考虑 时间效率 的问题。
S也 不能太大，否则会 漏掉 图像上的信息。
导致的结果
- S 越小，生成的图像越大
- S 越大，生成的图像越小
feature map
在输入层
图片有 几个通道 就有 几个 feature map：
- 灰度图片，只有一个feature map；
- 彩色图片，一般就是3个feature map（红绿蓝）。
其它层
上一层 每个feature map 跟 每个卷积核 做卷积，都会产生下一层的 一个feature map，有N个卷积核，下层就会产生 N个feather map。
多个feather map的作用是什么？
用 多种不同 的 卷积核 对图像进行卷积，提取不同的特征
也就是说 卷积核 越多，提取的 特征越多，生成的feather map 数量越多
问题
1. 图像边缘信息容易丢失
一般，每次移动滑窗后 有交集部分，交集部分意味着 多次提取特征，尤其在图像的 中间区域 提取次数 较多，边缘部分 提取次数 较少
如下图，越是中间的部分，计算次数越多；越是边、角的部分，计算次数越少
左侧 第1列 和 右侧 最后1列，只运算过 1次，中间区域 运算过 3次
2. 图像缩小
每次卷积，图像都缩小，这样卷不了几次就没了
边缘填充（padding）
为了解决上面的问题，采用 边缘填充
当卷积核大小为3*3时，边缘填充 两圈0，6*6的原始图像 填充成 10*10的新图像，经过 卷积核 运算后，生成的图像 大小没变，如下图：
两种方式
- valid。不填充，卷积后图片会变小
- same。在图片周围填充0，卷积后图片大小不变
填充层数为：(卷积核高度-1)/2，所以卷积核的大小通常为奇数
卷积核计算公式
- S是strides（滑动步长）
- 原图片大小为N1xN1（下图为4x4）
- 卷积核大小为N2xN2（下图为3x3）
- P是padding大小
卷积后图像大小：(N1-N2+2P)/S+1
动画演示
https://gitee.com/65242847/images/blob/master/%E5%8D%B7%E7%A7%AF%E5%8A%A8%E7%94%BB%E5%9B%BE.md
特点
卷积神经网络通过 局部感知 和 权值共享 可以降低参数数量，减少运算量
1. 局部感知
理念来源于动物视觉的皮层结构，图像中，距离 较近 的像素间 相关性强，距离 较远 则 相关性弱
每一个神经元只需要感知图像中的 局部信息，然后在更高层进行信息组合就可以得到 全局信息
2. 权值共享（参数共享）
在卷积过程中，卷积核的权重不改变
通过一个卷积核，提取一个图像不同部分的特征时，该卷积核的 权重不变
keras
总结
卷积层的作用：对图像特征的提取
感谢：
https://blog.csdn.net/weixin_39549734/article/details/82734115
https://www.cnblogs.com/xiaojianliu/articles/9904141.html
https://blog.csdn.net/u013555719/article/details/81121005
https://www.jianshu.com/p/c0215d26d20a
https://www.cnblogs.com/jyxbk/p/7879834.html
https://www.cnblogs.com/wj-1314/p/9593364.html
https://cloud.tencent.com/developer/news/131400