图解CNN中卷积为何

春节放假期间和小伙伴一起翻译安全+AI相关的书籍，发现其CNN中卷积这块讲的不是很好，遂有了想自己写一篇浅显易懂且直白的文章。

1 卷积概念

卷积相信大家并不陌生，如图卷积的公式

上面可能很抽象，我们通过下图可以更加直观的看出上述公式的意义，即求相交的面积。

那么对于一张图像，是怎么做卷积的呢？如果读者接触过数字图像处理、计算机视觉相关方面的知识，肯定对lena女神的图像不陌生，是的来自于《花花公子》的图片，关于这张图的故事，大家可以自行搜索。抛开其他因素，就图像本身，其平整的区块、渐变的光影、颜色的深浅、清晰细致的纹路等特别适合用于图像处理的测试，所以文章中我们都采用这张图来做图示。

如果你阅读过解释CNN相关的资料，下图并不陌生，原始图像通过卷积核最终得到新像素的值，以下两张图也很好的解释了这个过程，但是经过该步骤图像又如何变化？

2 何为卷积

如果读者对tensorflow比较熟悉，肯定知道tensorflow通过如下形式做卷积。

W= tf.Variable(tf.truncated_normal([5, 5, 3, 32], stddev=0.1)

第一行构造卷积核，第二行图像做卷积，其中构造卷积核变量参数[5,5,3,32]中，5x5为卷积核大小，3为三通道即RGB通道，而32为何？

32可以理解为32个滤波器，通过不同的滤波器，图像可以提取到不同的特征，类似于机器学习中的特征，每个特征可能所占权重不同，最终所有特征的权重相加构成一个分类器。如下图比较清晰的阐述了这个过程，不同的滤波器提取到特斯拉跑车的不同特征，通过激活函数、池化层，最后全连接层得到一个类别的概率，概率最高的即为判定类别。

以下我们通过举例比较直观的解释卷积对图像提取特征的过程，代码比较简单，改写自matlab的代码，利用opencv做卷积，读者感兴趣的话可以自己用Python实现一个卷积算法，不过需要注意的是卷积计算得到的值空间只能是0~255之间，因为图像像素取值在这个空间，所以要注意对得到的值再进行处理。

2.1 恒等滤波器

2.2 浮雕(Embossing Filter)

2.3 图像锐化滤波器(Sharpness Filter)

2.4 边缘检测滤波器(Edge Detection)

2.5 均值模糊(Box Filter-Averaging)

2.6 高斯模糊(Gaussian Blur)

2.7 运动模糊(Motion Blur)

3 tensorboard图解

4 总结

通过python和tensorboard两种方式，我们观察了CNN中卷积具体的操作流程，更加深刻的认知卷积的来龙去脉。