近年來，隨著一些強大、通用的深度學習框架相繼出現(xiàn)，把卷積層添加進深度學習模型也成了可能。這個過程很簡單，只需一行代碼就能實現(xiàn)。但是，你真的理解“卷積”是什么嗎？當初學者第一次接觸這個詞時，看到堆疊在一起的卷積、核、通道等術語，他們往往會感到困惑。作為一個概念，“卷積”這個詞本身就是復雜、多層次的。

在這篇文章中，我們將分解卷積操作的機制，逐步將其與標準神經(jīng)網(wǎng)絡聯(lián)系起來，探索它們是如何建立起強大的視覺層次結構，并最終成為強大的圖像特征提取器的。

2D卷積：操作

2D卷積是一個相當簡單的操作：我們先從一個小小的權重矩陣，也就是卷積核（kernel）開始，讓它逐步在二維輸入數(shù)據(jù)上“掃描”。卷積核“滑動”的同時，計算權重矩陣和掃描所得的數(shù)據(jù)矩陣的乘積，然后把結果匯總成一個輸出像素。

標準卷積

卷積核會在其經(jīng)過的所有位置上都重復以上操作，直到把輸入特征矩陣轉換為另一個二維的特征矩陣。簡而言之，輸出的特征基本上就是原輸入特征的加權和（權重是卷積核自帶的值），而從像素位置上看，它們所處的地方大致相同。

那么為什么輸出特征的會落入這個“大致區(qū)域”呢？這取決于卷積核的大小。卷積核的大小直接決定了在生成輸出特征時，它合并了多少輸入特征，也就是說：卷積核越小，輸入輸出的位置越接近；卷積核越大，距離就越遠。

這和全連接層很不一樣。在上圖的例子中，我們的輸入有5×5=25個特征，而我們的輸出則是3×3=9個特征。如果這是一個全連接層，輸入25個特征后，我們會輸出包含25×9=225個參數(shù)的權重矩陣，每個輸出特征都是每個輸入特征的加權和。

這意味著對于每個輸入特征，卷積執(zhí)行的操作是使用9個參數(shù)進行轉換。它關注的不是每個特征究竟是什么，而是這個大致位置都有什么特征。這一點很重要，理解了它，我們才能進行深入探討。

一些常用的技巧

在我們繼續(xù)討論前，我們先來看看卷積神經(jīng)網(wǎng)絡中經(jīng)常出現(xiàn)的兩種技巧：Padding和Strides。

Padding

如果你仔細看了上文中的gif，你會發(fā)現(xiàn)我們把5×5的特征矩陣轉換成了3×3的特征矩陣，輸入圖像的邊緣被“修剪”掉了，這是因為邊緣上的像素永遠不會位于卷積核中心，而卷積核也沒法擴展到邊緣區(qū)域以外。這是不理想的，通常我們都希望輸入和輸出的大小應該保持一致。

padding

Padding就是針對這個問題提出的一個解決方案：它會用額外的“假”像素填充邊緣（值一般為0），這樣，當卷積核掃描輸入數(shù)據(jù)時，它能延伸到邊緣以外的偽像素，從而使輸出和輸入大小相同。

Stride

如果說Padding的作用是使輸出與輸入同高寬，那么在卷積層中，有時我們會需要一個尺寸小于輸入的輸出。那這該怎么辦呢？這其實是卷積神經(jīng)網(wǎng)絡中的一種常見應用，當通道數(shù)量增加時，我們需要降低特征空間維度。實現(xiàn)這一目標有兩種方法，一是使用池化層，二是使用Stride（步幅）。

步幅

滑動卷積核時，我們會先從輸入的左上角開始，每次往左滑動一列或者往下滑動一行逐一計算輸出，我們將每次滑動的行數(shù)和列數(shù)稱為Stride，在上節(jié)的圖片中，Stride=1；在上圖中，Stride=2。Stride的作用是成倍縮小尺寸，而這個參數(shù)的值就是縮小的具體倍數(shù)，比如步幅為2，輸出就是輸入的1/2；步幅為3，輸出就是輸入的1/3。以此類推。

在一些目前比較先進的網(wǎng)絡架構中，如ResNet，它們都選擇使用較少的池化層，在有縮小輸出需要時選擇步幅卷積。

多通道卷積

當然，上述例子都只包含一個輸入通道。實際上，大多數(shù)輸入圖像都有3個RGB通道，而通道數(shù)的增加意味著網(wǎng)絡深度的增加。為了方便理解，我們可以把不同通道看成觀察全圖的不同“視角”，它或許會忽略某些特征，但一定也會強調(diào)某些特征。

彩色圖像一般都有紅、綠、藍三個通道

這里就要涉及到“卷積核”和“filter”這兩個術語的區(qū)別。在只有一個通道的情況下，“卷積核”就相當于“filter”，這兩個概念是可以互換的；但在一般情況下，它們是兩個完全不同的概念。每個“filter”實際上恰好是“卷積核”的一個集合，在當前層，每個通道都對應一個卷積核，且這個卷積核是獨一無二的。

filter：卷積核的集合

卷積層中的每個filter有且只有一個輸出通道——當filter中的各個卷積核在輸入數(shù)據(jù)上滑動時，它們會輸出不同的處理結果，其中一些卷積核的權重可能更高，而它相應通道的數(shù)據(jù)也會被更加重視（例：如果紅色通道的卷積核權重更高，filter就會更關注這個通道的特征差異）。

卷積核處理完數(shù)據(jù)后，形成了三個版本的處理結果，這時，filter再把它們加在一起形成一個總的通道。所以簡而言之，卷積核處理的是不同通道的不同版本，而filter則是作為一個整體，產(chǎn)生一個整體的輸出。

最后，還有偏置項。我們都知道每個filter輸出后都要加上一個偏置項，那么為什么要放在這個位置呢？如果聯(lián)系filter的作用，這一點不難理解，畢竟只有在這里，偏置項才能和filter一起作用，產(chǎn)生最終的輸出通道。

以上是單個filter的情況，但多個filter也是一樣的工作原理：每個filter通過自己的卷積核集處理數(shù)據(jù)，形成一個單通道輸出，加上偏置項后，我們得到了一個最終的單通道輸出。如果存在多個filter，這時我們可以把這些最終的單通道輸出組合成一個總輸出，它的通道數(shù)就等于filter數(shù)。這個總輸出經(jīng)過非線性處理后，繼續(xù)被作為輸入饋送進下一個卷積層，然后重復上述過程。

2D卷積：直覺

卷積仍是線性變換

盡管上文已經(jīng)講解了卷積層的機制，但對比標準的前饋網(wǎng)絡，我們還是很難在它們之間建立起聯(lián)系。同樣的，我們也無法解釋為什么卷積可以進行縮放，以及它在圖像數(shù)據(jù)上的處理效果為什么會那么好。

假設我們有一個4×4的輸入，目標是把它轉換成2×2的輸出。這時，如果我們用的是前饋網(wǎng)絡，我們會把這個4×4的輸入重新轉換成一個長度為16的向量，然后把這16個值輸入一個有4個輸出的密集連接層中。下面是這個層的權重矩陣W：

總而言之，有64個參數(shù)

雖然卷積的卷積核操作看起來很奇怪，但它仍然是一個帶有等效變換矩陣的線性變換。如果我們在重構的4×4輸入上使用一個大小為3的卷積核K，那么這個等效矩陣會變成：

這里真的只有9個參數(shù)

注：雖然上面的矩陣是一個等效變換矩陣，但實際操作可能會不太一樣。

可以發(fā)現(xiàn)，整個卷積仍然是線性變換，但與此同時，它也是一種截然不同的變換。相比前饋網(wǎng)絡的64個參數(shù)，卷積得到的9個參數(shù)可以多次重復使用。由于權重矩陣中包含大量0權重，我們只會在每個輸出節(jié)點看到選定數(shù)量的輸入（卷積核的輸入）。

而更高效的是，卷積的預定義參數(shù)可以被視為權重矩陣的先驗。卷積核的大小、filter的數(shù)量，這些都是可以預定義的網(wǎng)絡參數(shù)。當我們使用預訓練模型進行圖像分類時，我們可以把預先訓練的網(wǎng)絡參數(shù)作為當前的網(wǎng)絡參數(shù)，并在此基礎上訓練自己的特征提取器。這會大大節(jié)省時間。

從這個意義上講，雖然同為線性變換，卷積相比前饋網(wǎng)絡的優(yōu)勢就可以被解釋了。和隨機初始化不同，使用預訓練的參數(shù)允許我們只需要優(yōu)化最終全連接層的參數(shù)，這意味著更好的性能。而大大削減參數(shù)數(shù)量則意味著更高的效率。

上圖中我們只展示了把64個獨立參數(shù)減少到9個共享參數(shù)，但在實際操作中，當我們從MNIST選擇784幅224×224×3的圖像時，它會有超過150,000個輸入，也就是超過100億個參數(shù)。相比之下，整個ResNet-50只有約2500萬個參數(shù)。

因此，將一些參數(shù)固定為0可以大大提高效率。那么對比遷移學習，我們是怎么判斷這些先驗會產(chǎn)生積極效果的呢？

答案在于先前引導參數(shù)學習的特征組合。

局部性

在文章開頭，我們就討論過這么幾點：

卷積核僅組合局部區(qū)域的幾個像素，并形成一個輸出。也就是說，輸出特征只代表這一小塊局部區(qū)域的輸入特征。

卷積核會在“掃描”完整張圖像后再生成輸出矩陣。

因此，隨著反向傳播從分類節(jié)點開始往前推移，卷積核就可以不斷調(diào)整權重，努力從一組本地輸入中提取有效特征。另外，因為卷積核本身應用于整個圖像，所以無論它學習的是哪個區(qū)域的特征，這些特征必須足夠通用。

如果這是任何其他類型的數(shù)據(jù)，比如應用程序的安裝序列號，卷積的這種操作完全不起作用。因為序列號雖然是一系列有順序的數(shù)字，但他們彼此間沒有共享的信息，也沒有潛在聯(lián)系。但在圖像中，像素總是以一致的順序出現(xiàn)，并且會始終對周圍像素產(chǎn)生影響：如果所有附近的像素都是紅色，那么我們的目標像素就很可能也是紅色的。如果這個像素最終被證明存在偏差，不是紅色的，那這個有趣的點就可能會被轉換為特征。

通過對比像素和臨近像素的差異來學習特征——這實際上是許多早期計算機視覺特征提取方法的基礎。例如，對于邊緣檢測，我們可以使用Sobel edge detection：

用于垂直邊緣檢測的Sobel算子

對于不包含邊緣的網(wǎng)格（如天空），因為大多數(shù)像素都是相同的值，所以它的卷積核的總輸出為0。對于具有垂直邊緣的網(wǎng)格，邊緣左側和右側的像素存在差異，所以卷積核的輸出不為零，激活邊緣區(qū)域。雖然這個卷積核一次只能掃描3×3的區(qū)域，提取其中的特征，但當它掃描完整幅圖像后，它就有能力在圖像中的任何位置檢測全局范圍內(nèi)的某個特征。

那么深度學習和這種傳統(tǒng)方法的區(qū)別是什么？對于圖像數(shù)據(jù)的早期處理，我們確實可以用低級的特征檢測器來檢測圖中的線條、邊緣，那么，Sobel邊緣算子的作用能否被卷積學習到？

深度學習研究的一個分支是研究神經(jīng)網(wǎng)絡模型可解釋性，其中最強大的是使用了優(yōu)化的特征可視化。它的思路很簡單，就是通過優(yōu)化圖像來盡可能強烈地激活filter。這確實具有直觀意義：如果優(yōu)化后的圖像完全被邊緣填充，這其實就是filter本身正在尋找激活特征，并讓自己被激活的強有力證據(jù)。

GoogLeNet第一個卷積層的3個不同通道的特征可視化，請注意，雖然它們檢測到不同類型的邊緣，但它們?nèi)匀皇堑图夁吘墮z測器

GoogLeNet第二個、第三個卷積層的12個通道的特征可視化

這里要注意一點，卷積圖像也是圖像。卷積核是從圖像左上角開始滑動的，相應的，它的輸出仍將位于左上角。所以我們可以在這個卷積層上在做卷積，以提取更深層的特征可視化。

然而，無論我們的特征檢測器如何深入，在沒有任何進一步改變的情況下，它們?nèi)詫⒃诜浅Ｐ〉膱D像塊上運行。無論檢測器有多深，它的大小就只有3×3，它是不可能檢測到完整的臉部的。這是感受野（Receptive field）的問題。

感受野

無論是什么CNN架構，它們的基本設計就是不斷壓縮圖像的高和寬，同時增加通道數(shù)量，也就是深度。如前所述，這可以通過池化和Stride來實現(xiàn)。局部性影響的是臨近層的輸入輸出觀察區(qū)域，而感受野決定的則是整個網(wǎng)絡原始輸入的觀察區(qū)域。

步幅卷積背后的想法是我們只滑動固定距離的間隔，并跳過中間的網(wǎng)格。

如上圖所示，把stride調(diào)整為2后，卷積得到的輸出大大縮小。這時，如果我們在這個輸出的基礎上做非線性激活，然后再上面再加一個卷積層，有趣的事就發(fā)生了。相比正常卷積得到的輸出，3×3卷積核在這個步幅卷積輸出上的感受野更大。

這是因為它的原始輸入?yún)^(qū)域就比正常卷積的輸入?yún)^(qū)域大，這會對后續(xù)特征提取產(chǎn)生影響。

這種感受野的擴大允許卷積層將低級特征（線條、邊緣）組合成更高級別的特征（曲線、紋理），正如我們在mixed3a層中看到的那樣。而隨著我們添加更多Stride層，網(wǎng)絡會顯示出更多高級特征，如mixed4a、mixed5a。

通過檢測低級特征，并使用它們來檢測更高級別的特征，使其在視覺層次結構中向前發(fā)展，最終能夠檢測到整個視覺概念，如面部，鳥類，樹木等。這就是卷積在圖像數(shù)據(jù)上如此強大、高效的一個原因。

結論

現(xiàn)如今，CNN已經(jīng)允許開發(fā)者們從構建簡單的CV應用，到把它用于為復雜產(chǎn)品和服務提供技術動力，它既是照片庫中用于檢測人臉的小工具，也是臨床醫(yī)學中幫助醫(yī)生篩查癌細胞的貼心助手。它們可能是未來計算機視覺的一個關鍵，當然，一些新的突破也可能即將到來。

但無論如何，有一件事是確定的：CNN是當今許多創(chuàng)新應用的核心，而且它們的效果絕對令人驚嘆，這項技術本身也有掌握、了解的必要。