1. 程式人生 > >卷積物理意義 卷積最簡單解釋

卷積物理意義 卷積最簡單解釋

一個人打了你一巴掌  力度為1

你的臉腫脹程度隨時間變化的趨勢為

第一小時 半徑為1 的包,第二小時半徑為2的包,第三小時半徑為3的包,第四小時半徑為2的包,第五小時半徑為1 的包,第六小時,包消失了

包的大小以離散形式表示如下

y[k]={0,1,2,3,2,1,0  0<=k<=6}

一個人打了你一巴掌  力度為2

你的臉腫脹程度隨時間變化的趨勢為

第一小時 半徑為2 的包,第二小時半徑為4的包,第三小時半徑為6的包,第四小時半徑為4的包,第五小時半徑為2 的包,第六小時,包消失了

包的大小以離散形式表示如下

y[k]={0,2,4,6,4,2,0  0<=k<=6}

一個人第一次打了你一巴掌  力度為1  一個人第二次打了你一巴掌  力度為2

那麼你臉上包的大小隨時間的變化應該為第一次與第二次的疊加值,但是要注意時間

時間

時間 0 1 2 3 4 5 6 7 8
力度為1 包的大小與時間的關係 第一秒打在你臉上 0 1 2 3 2 1 0 0 0
力度為2 包的大小與時間的關係 第二秒打在你臉上 0 0 2 4 6 4 2 0 0
那麼總的包的大小與時間的關係為 0 1 4 7 8 5 2 0 0

現在將力的大小放在陣列中

x[k]={1,2;1<=k<=2} 表示第幾秒作用

h[k]={1,2,3,2,1;k1<=v<=k1+5} k1表示力作用開始的時間

h[k]代表作用力大小於輸出之間的關係

假如力第一秒開始作用,那麼第一秒以後的包的大小為 x[1]h[k],在第二秒以後加入x[2]h[k]

就會得到上面的結果。

轉換成數學就是


第一秒總的作用效果是 x(1)*h(1) +x(2)*h(0)      1*1+2*0=1

第二秒總的作用效果是 x(1)*h(2)+ x(2)*h(1)  1*2+2*1=4

第三秒總的作用效果是 x(1)*h(3) +x(2)*h(2)  1*3+2*2=7

第三秒總的作用效果是 x(1)*h(4) +x(2)*h(3)  1*2+2*3=8

第五秒總的作用效果是 x(1)*h(5) +x(2)*h(4)  1*1+2*2=5

第六秒總的作用效果是 x(1)*h(6) +x(2)*h(5)   1*0+2*1=2


根據上面的寫法 可以總結一個公式如下,成為卷積,其實就是連續作用於一個系統,系統輸出隨時間變化的公式

相關推薦

物理意義 簡單解釋

一個人打了你一巴掌  力度為1 你的臉腫脹程度隨時間變化的趨勢為 第一小時 半徑為1 的包,第二小時半徑為2的包,第三小時半徑為3的包,第四小時半徑為2的包,第五小時半徑為1 的包,第六小時,包消失了 包的大小以離散形式表示如下 y[k]={0,1,2,3,2,1,0 

物理意義的超強解釋

       如果你每天都到地下去打檯球,那麼老闆每天都要扇你一巴掌,不過當老闆打你一巴掌後,你5分鐘就消腫了,所以時間長了,你甚至就適應這種生活了„„如果有一天,老闆忍無可忍,以0.5秒的間隔開始不間斷的扇你的過程,這樣問題就來了,第一次扇你鼓起來的包還沒消腫,第二個巴掌就來了,你臉上的包就可能鼓起來兩

極大似然估計思想的簡單解釋

發生 小孩 rom 內容 需要 https 處的 形式 相同 極大似然估計思想的最簡單解釋 https://blog.csdn.net/class_brick/article/details/79724660?from=timeline 極大似然估計法的理解可以從三

,DFT,FFT,影象FFT,FIR 和 IIR 的物理意義

卷積:  衝擊訊號會對線性系統產生衝擊響應。  衝擊訊號可分解為平移度和幅度。其對線性系統的衝擊響應可以分解為點點間的經平移和縮放的各個衝擊響應的累加,通過卷積的表示式表示。  所謂的衝擊響應,就是線性系統對任何輸入訊號的響應,描述這種輸入輸出關係的算數方法就是卷積。

意義-是我所看到的解釋生動通俗易懂的

卷積 最近總是和卷積打交道,工作需要,每天都要碰到它好幾次,不勝煩惱,因為在大學時候學訊號與系統的時候就沒學會,我於是心想一定要把卷積完全搞明白。正好同辦公室的同學也問我什麼是卷積,師姐昨天也告訴我說:"我也早就想把這個問題搞明白了!"經過一段時間的思考之後,有一些很

,DFT,FFT,影象FFT,FIR 和 IIR 的物理意義

個人感覺很不錯的一篇文章 卷積:  衝擊訊號會對線性系統產生衝擊響應。  衝擊訊號可分解為平移度和幅度。其對線性系統的衝擊響應可以分解為點點間的經平移和縮放的各個衝擊響應的累加,通過卷積的表示式表示。  所謂的衝擊響應,就是線性系統對任何輸入訊號的響應,描述這種輸入輸出關係

【小波變換】【物理意義

轉自知乎:https://www.zhihu.com/question/22298352?rf=21686447 解釋1 也談卷積,假如你被別人打了一拳,這一拳會在1小時疼痛消失[這一拳輕重不同,所以雖說都在一個小時消失,但是在1個小時內感覺的疼痛也不一樣。設最輕(注意)

的本質及物理意義(全面理解

卷積的本質及物理意義 提示:對卷積的理解分為三部分講解1)訊號的角度2)數學家的理解(外行)3)與多項式的關係 1 來源 卷積其實就是為衝擊函式誕生的。“衝擊函式”是狄拉克為了解決一些瞬間作用的物理現象而提出的符號。古人曰:“說一堆大道理不如舉一個好例子”,衝量這一物理現象

整理:的直觀理解、物理意義與本質(四)

那片雲:看了後有很大的收穫,開始主文及回覆均非常精彩。對理解卷積的數學物理意義很有幫助。 下面說一下我的理解: 1.卷積是求累積值,就是某一時刻的反應,是多個反應的疊加值。 2.既然如一,就有

整理:的直觀理解、物理意義與本質(三)

卷積 最近總是和卷積打交道,工作需要,每天都要碰到它好幾次,不勝煩惱,因為在大學時候學訊號與系統的時候就沒學會,我於是心想一定要把卷積完全搞明白。正好同辦公室的同學也問我什麼是卷積,師姐昨天也告訴我說

整理:的直觀理解、物理意義與本質(二)

資料探勘中有時需要卷積這一數學工具(例如計算個體適應度、物件間距離,以及干預效果等等),昨天又有同學問到相關問題,借用最近在網上的滾燙的詞彙集 { 輻射,服碘,補鹽,空襲 },對卷積做了一個直觀的解

史上對tensorflow神經網路中的padding引數詳細解釋

當使用tensorflow建立卷積神經網路時,肯定要用到卷積層和池化層,tendorflow關於建立卷積層和池化層的API都有padding這個引數,如下所示: - tf.nn.conv2d(input,filter,strides,padding) - tf.nn.max_pool(inp

深度學習---影象與反捲完美的解釋

動態圖1.前言   傳統的CNN網路只能給出影象的LABLE,但是在很多情況下需要對識別的物體進行分割實現end to end,然後FCN出現了,給物體分割提供了一個非常重要的解決思路,其核心就是卷積與反捲積,所以這裡就詳細解釋卷積與反捲積。    對於1維的卷積,公式(離散

Convolution Network及其變種(反、擴展卷、因果、圖

connected lte 理論 圖像處理 val 場景 了解 tput 實驗 今天,主要和大家分享一下最近研究的卷積網絡和它的一些變種。 首先,介紹一下基礎的卷積網絡。 通過PPT上的這個經典的動態圖片可以很好的理解卷積的過程。圖中藍色的大矩陣是我們的輸入,黃色的小

TensorFlow 神經網絡--

意圖 有著 image 卷積神經網絡 細節 inf gpo body kernel 之前我們已經有一個卷積神經網絡識別手寫數字的代碼,執行下來正確率可以達到96%以上。 若是再優化下結構,正確率還可以進一步提升1~2個百分點。 卷積神經網絡在機器學習領域有著廣泛的應用。現在

使用pytorch進行和反運算

ppt ORC 代碼 alt 二維 技術分享 TP 9.png pytorch (1)卷積運算(二維卷積) 以下是pytorch官網上的API 第一種情況 如上圖所示,輸入圖片為4*4,卷積核為3*3,步長為1,零填充。 代碼表示: 第二種情況 如

[轉載]對深度可分離、分組、擴張、轉置(反)的理解

mes ise 相關性 區域 nat 1.2 log v操作 深度 1. 深度可分離卷積(depthwise separable convolution) 在可分離卷積(separable convolution)中,通常將卷積操作拆分成多個步驟。而在神經網絡中通常使用的

空洞與反捲

空洞卷積(dilated conv),也稱擴張卷積。空洞卷積可以在kernel有效增大感受野的同時不增加模型引數或者計算量。在影象需要全域性資訊或者語音文字需要較長的sequence資訊依賴的問題中,都能較好的應用空洞卷積。在影象分割,語音合成WaveNet,機器翻譯ByteNet中都有

CNN中feature map、核、核個數、filter、channel的概念解釋,以及CNN 學習過程中核更新的理解

feature map、卷積核、卷積核個數、filter、channel的概念解釋 feather map的理解 在cnn的每個卷積層,資料都是以三維形式存在的。你可以把它看成許多個二維圖片疊在一起(像豆腐皮一樣),其中每一個稱為一個feature map。 feather map 是怎

一文詳解和逆

文章目錄 一文詳解卷積和逆卷積 卷積運算 單通道 多通道 卷積運算的引數計算 逆卷積 卷積運算的矩陣實現 參考資料 一文詳解卷積和逆卷積 卷積神經