卷积算法

卷积算法是一种在信号处理、图像处理、机器学习等领域广泛使用的数学运算。它涉及到两个函数的卷积，通常用来分析一个信号或函数与另一个信号或函数的相似度。在深度学习中，卷积神经网络（CNN）就是基于卷积算法构建的。

The convolution of two functions \( f(t) \) and \( g(t) \), denoted as \( (f * g)(t) \), is defined as:

\[ (f * g)(t) = \int_{-\infty}^{\infty} f(\tau) g(t - \tau) \, d\tau \]

其中，τ是积分变量，t是时间或空间的坐标。

在离散情况下，卷积定义为：

\[ (f * g)(n) = \sum_{m=-\infty}^{\infty} f(m) g(n - m) \]

这里的f(m)和g(m)是离散信号的值。

卷积的应用

信号处理：用于滤波、平滑、特征提取等。 图像处理：用于边缘检测、图像平滑、特征提取等。 机器学习：在卷积神经网络中，卷积层通过卷积操作提取输入数据的特征。

卷积算法流程

  1. 确定卷积核：选择或学习一个卷积核（滤波器）。
  2. 卷积核中心定位：将卷积核中心对齐到输入数据的第一个位置。
  3. 元素乘积：计算卷积核和输入数据对应位置的元素乘积。
  4. 求和：将上一步得到的乘积求和，得到输出特征图的一个元素。
  5. 滑动卷积核：将卷积核向右滑动一个元素宽度，重复步骤3和4。

资料

  1. 知乎 - 如何通俗易懂地解释卷积?
  2. CSDN - 卷积算法详解

示例代码（C语言）

// 假设我们有一个输入矩阵 input 和一个卷积核 kernel，我们需要计算输出矩阵 output。
void convolution2D(int inputRows, int inputCols, double input[inputRows][inputCols], 
                   int kernelRows, int kernelCols, double kernel[kernelRows][kernelCols], 
                   double output[inputRows][inputCols]) {
    int kernelCenterX = kernelCols / 2;
    int kernelCenterY = kernelRows / 2;

    for (int i = 0; i < inputRows; ++i) {
        for (int j = 0; j < inputCols; ++j) {
            output[i][j] = 0; // 初始化输出矩阵
            for (int m = 0; m < kernelRows; ++m) {
                for (int n = 0; n < kernelCols; ++n) {
                    int ii = i + (m - kernelCenterY);
                    int jj = j + (n - kernelCenterX);

                    // 检查是否越界
                    if (ii >= 0 && ii < inputRows && jj >= 0 && jj < inputCols) {
                        output[i][j] += input[ii][jj] * kernel[m][n];
                    }
                }
            }
        }
    }
}