5分钟快速入门卷积算法

在深度学习的计算机视觉领域，卷积是一个绕不开的核心概念。很多初学者初次接触时，往往只知其然而不知其所以然——为什么处理图像任务需要卷积？它究竟在做什么？要回答这个问题，不妨先从神经网络的工作机制说起。

为什么需要卷积

先想一个问题：阿尔法狗打败了柯洁，它下棋的记忆到底长什么样？存在哪里？

高中生物课讲过，人脑由大量神经元构成。每个神经元可以看作一个小记忆体，通过树突相互连接，形成一个极其复杂的网络。人脑处理信息，就是靠这个网络一步步计算，最终得出结论：眼睛看到的是一只猫，还是一只狗。

把大脑神经元的复杂结构简化一下，可以抽象成下面这样的网络：

每个黑点代表一个神经元，每个神经元都有自己负责“记住”的东西。当我们看到一张猫的图片，信息通过视神经传入大脑，到达最左边一排竖着的神经元。

神经元的激活

如果一个神经元之前见过猫，它就会把信息往后传——此时处于“激活”状态。如果从来没见过的猫，它就什么也不做——处于“静止”状态。

一张画着猫的图片，信息就这样一层一层地通过“认识猫”的神经元传递下去，直到最后输出结果：这是一只猫。

这个过程叫做大脑的推理。注意一个关键点：所有神经元都可能拥有记忆，只不过记得的内容不同——有的认识猫，有的认识狗。

认识猫的神经元让信息通过，不认识的保持静止。只要信息能顺利传到最后一层，大脑就能得出结论。那神经元里这些记忆是怎么来的？

训练——人们日常生活中不断训练大脑，见得多了，自然就会了。

训练获取记忆

计算机怎么模拟这个记忆过程？答案很简单：既然计算机只会计算，那就让它算。

如果一个黑点认识猫，怎么把“这是一只猫”的信息传递到后面？乘以1——任何数乘1都是它自己。如果从来没见过猫，乘以0——信息就消失了。在深度学习网络中，每个神经元对应一个数字（实际网络中不是简单的0或1，而是更复杂的数字），这个数字被称为“权值”。

神经元通过权值的加权计算，来判断是否让某一信息经过，到达下一层。权值乘以输入信息（猫），然后经过激活函数——类似于人脑神经元的激活过程。能成功激活，信息就往下传；否则信息在此丢失。

当然，神经网络中的权值不是简单的0或1，经过激活函数计算出来的是一个概率值——神经元觉得它是猫的概率。如果最终得到95%的概率，那基本就是一只猫。

人脑看多了就认识猫，同样AI被反复“看”多了，也会逐渐“认识”猫。AI的权值，就是这样被训练出来的！

说到这里，就该引出今天的主角了——卷积算法之所以重要，正是因为它在算法层面天然自带一个记忆体，或者说权值矩阵，那就是卷积核。

卷积算法

深度学习中的卷积算法，模拟的就是人眼看物体的过程。

上图是卷积的典型示意图。还记得吗？图片由像素组成（可以参考《要学计算机视觉，先了解图像和像素》）。示意图下方的4×4像素方格就是待处理的图片（类比于人眼观看的图片），上方的2×2像素方格就是卷积算法的输出（类比于人眼看完图片后的结果信息）。

在4×4方格上移动的灰色阴影区域，那个3×3的像素方格就是卷积核。可以把它理解为人眼此时聚焦看到的区域（称为感受野，类似人眼的视野），只不过在这个示意图中，每次看到的都是一个3×3的像素方格。

卷积过程，就是用这个3×3的卷积核，逐步扫描整张图片：横着扫完竖着扫，每扫一次，将对应像素点的值相乘然后加在一起，得到一个输出。

再换个更直观的角度看：

卷积，就是这么简单的过程。

通过调整卷积核的大小（比如把3×3扩大到5×5），就能控制“人眼”看到的图片范围，从而获取不同尺度下的图像信息。例如，在某些检测车道线的神经网络中，因为车道线是长实线、形状趋近于长方形，所以设计了很多1×5或1×7的卷积核，专门用来识别车道线的形状。

当然，不同的图像处理任务会设计不同大小的卷积核来适应场景需求，但万变不离其宗——卷积的计算，就是模拟人眼扫描像素点的过程。

到这里，相信你对卷积算法已经有了初步印象。在后续的实践中，你会逐渐体会到它在图像处理中的强大作用。