CNN的卷積運算并非數學定義的卷積
也就是說，CNN中的運算是不需要翻轉卷積核的。
也就是說，CNN在處理圖像時的卷積核是不需要翻轉180°的
我們來用代碼看下為什么？

#-*- coding:utf-8 -*- import sys reload(sys) sys.setdefaultencoding('utf-8')import numpy as np A=np.array([[0,0,0,0],\[0,0,30,0],\[0,60,0,0],\[0,0,0,0]])B=np.array([[0.1,0.01],\[1,10]]) import scipy.signal print"---------卷積結果---------------------" print scipy.signal.convolve(A,B,mode='valid') print"---------互相關結果---------------------" print scipy.signal.correlate(A,B,mode='valid')

運行結果為：
---------卷積結果---------------------
[[0.00e+00 3.00e+00 3.00e-01]
[6.00e+00 3.06e+01 3.00e+02]
[6.00e+01 6.00e+02 0.00e+00]]
---------互相關結果---------------------
[[ 0. 300. 30. ]
[600. 60.3 3. ]
[ 0.6 6. 0. ]]

因為卷積層后面連接的是池化層，
也就是說把卷積結果得到的矩陣中，
選取矩陣中數值最大的元素作為保留，矩陣中其余元素一律刪除。

所以我們可以看到：
上述代碼的
卷積結果中的最大值
與
互相關結果矩陣中的最大值
都是600
因此后面maxpooling層進行池化后得到的值也都是600.

如果后面接全連接層，那么
上面兩個矩陣全部flatten以后輸入dense層，幾乎完全一致，也不影響建模

結論：
CNN中使用卷積或互相關，對于
的貢獻是一致的，都是獲取像素最大的那個值，
因此可以使用卷積，也可以使用互相關，
但是為了代碼的高效，直接使用“互相關”即可。

總結

以上是生活随笔為你收集整理的CNN的卷积运算为何使用互相关而不是卷积的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。