卷积神经网络中卷积滤波器为什么翻转？[已关闭]
此问题似乎与在帮助中心定义的范围内编程无关。
我不明白为什么在使用卷积神经网络时需要翻转滤波器。
根据千层面文件，
flip_filters：bool（默认值：True）
是在将过滤器滑动到输入上之前翻转过滤器，执行卷积（这是默认设置），还是不翻转过滤器并执行相关。请注意，对于千层面中的其他一些卷积层，翻转会产生开销，默认情况下是禁用的–使用从其他层学习的权重时，请查看文档。
这是什么意思？我从未在任何神经网络书籍中读过卷积时翻转过滤器的内容。请有人澄清一下好吗？
共有3个答案
我从未在任何神经网络书籍中读到过在卷积时翻转过滤器。
您可以尝试一个简单的实验。取一张最中心像素为值1的图像，所有其他像素为值0。现在取任何小于图像的过滤器（让我们假设一个值为1-9的3乘3过滤器）。现在做一个简单的相关而不是卷积。您最终将翻转过滤器作为操作后的输出。
现在自己翻转过滤器，然后执行相同的操作。很明显，最终的输出是原始过滤器。
第二个操作似乎更简洁。它就像与1相乘并返回相同的值。然而，第一个不一定是错误的。即使它可能没有很好的数学属性，它也能在大多数情况下工作。毕竟，为什么程序会关心操作是否是关联的。它只是做它被告知要做的工作。此外，过滤器可能是对称的...翻转它返回相同的过滤器，因此相关操作和卷积操作返回相同的输出。
这些数学性质是否有帮助？当然，他们会的！如果（ab）c不等于（bc），那么我将无法组合2个过滤器，然后将结果应用到图像上。为了澄清，假设我有两个过滤器a、b和图像c。我必须首先对图像“c”应用“b”，然后对上述结果应用“a”，以防相关。在卷积的情况下，我可以先做“a b”，然后将结果应用到图像“c”上。如果我有一百万张图像要处理，那么通过组合过滤器“a”和“b”获得的效率开始变得明显。
卷积满足的每一个数学属性都有一定的好处，因此如果我们有选择（
应用卷积满足了我们所有人内心的数学家，也给了我们一些切实的好处。
虽然现在图像中的特征工程完全是由Mrs DL本身端到端完成的，我们甚至不必为此操心，但还有其他传统的图像操作可能需要这种操作。
首先，由于CNN是从零开始训练的，而不是人工设计的，如果需要翻转操作，则学习的滤波器将是翻转的滤波器，并实现与翻转滤波器的互相关。其次，在一维时间序列处理中，翻转是必要的，因为在给定“当前”输入的情况下，过去的输入会影响当前系统的输出。但在二维/三维图像空间卷积中，没有“时间”概念，也没有“过去”输入及其对“现在”的影响，因此，我们不需要考虑“信号”和“系统”的关系，只有“信号”（图像块）和“信号”（图像块）的关系，这意味着我们只需要互相关而不是卷积（尽管DL借用了信号处理的这个概念）。因此，实际上不需要翻转操作。（我想是吧。）
转置卷积滤波器的根本原因是卷积操作的定义——这是信号处理的结果。执行卷积时，您希望内核相对于执行卷积的轴进行翻转，因为如果不这样做，您最终会计算信号与自身的相关性。如果您考虑将一维卷积应用于相关html" target="_blank">函数变化非常剧烈的时间序列，则更容易理解——您不希望卷积被您的信号歪曲或与您的信号相关。
这个来自数字信号处理堆栈交换站点的答案给出了一个很好的解释，解释了为什么卷积滤波器被定义为与信号相反的方向。
本页将介绍一个翻转的详细示例。这是一种用于边缘检测的特殊类型的过滤器，称为Sobel过滤器。它并没有解释为什么要进行翻转，但很好，因为它为您提供了一个在2D中计算出来的示例。
我提到，在1D的情况下（DSP SE站点的答案确实是一个很好的解释），理解为什么（例如，为什么卷积是这样定义的）要容易一些；但此约定也适用于2D和3D（Conv2DDNN anad和Conv3DDNN层都有flip\u过滤器选项）。然而，归根结底，由于卷积滤波器权重不是人类程序所能识别的，而是由网络“学习”的，因此它完全是任意的——除非您从另一个网络加载权重，在这种情况下，您必须与该网络中卷积的定义一致。如果卷积定义正确（即，根据约定），则将翻转滤波器。如果它的定义不正确（以更“天真”和“懒惰”的方式），它将不会。
卷积所属的更广泛领域是“线性系统理论”，因此搜索这个术语可能会发现更多关于这一点的信息，尽管不在神经网络的范围内。
请注意，corrmm的docstrings中也提到了卷积/相关的区别。千层面py等级：
flip\u filters:bool（默认值：False）是翻转过滤器并执行卷积，还是不翻转过滤器并执行相关。翻转会增加一点开销，因此默认情况下会禁用翻转。在大多数情况下，这不会产生任何影响，因为过滤器是经过学习的。但是，如果使用常规的：class:千层面将权重加载到flip\u过滤器中，则应将其设置为True。图层。例如，Conv2DLayer。
-
创建卷积神经网络（CNN）时（如中所述https://cs231n.github.io/convolutional-networks/)输入层与一个或多个过滤器连接，每个过滤器表示一个要素地图。这里，过滤层中的每个神经元只与输入层的几个神经元相连。在最简单的情况下，我的n个过滤器中的每一个都具有相同的维度并使用相同的步幅。 我的问题是： 如何确保过滤器学习不同的特征，尽管它们使用相同的补丁进行训练
-
本文向大家介绍卷积神经网络的卷积是什么意思？ 相关面试题，主要包含被问及卷积神经网络的卷积是什么意思？ 时的应答技巧和注意事项，需要的朋友参考一下 答：对图像（不同的数据窗口数据）和滤波矩阵（一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter）做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源
-
我读过这篇文章“UFLDF”，它发展了autoencoder中隐藏层的可视化，但我很困惑如何可视化卷积神经网络的滤波器。在我看来，对于第一个卷积层，要使滤波器可视化，它需要这个等式： 对于第二个卷积层，它应该将滤波器投射到原始输入空间，但我不知道如何做。
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络
-
下午好在第一阶段，在卷积神经网络（输入层）的输入上，我们接收一个源图像（因此是手写英文字母的图像）。首先，我们使用一个从左到右的nxn窗口来扫描图像并在内核（卷积矩阵）上乘法来构建特征映射？但没有人写过内核应该具有什么样的精确值（换句话说，我应该将从n*n窗口检索到的数据相乘到什么样的内核值）。是否适合在这个用于边缘检测的卷积核上乘以数据？有许多卷积核（浮雕、高斯滤波器、边缘检测、角度检测等）？但