本文为合集收录，欢迎查看合集/专栏链接进行全部合集的系统学习。
合集完整版请查看这里。
卷积算法非常重要，但是为什么是卷积呢?
在进一步学习之前，先看一看神经网络(或者叫一个AI模型)是如何完成一张图片的推理的。
你肯定听说过阿尔法狗大战柯洁的故事，当时新闻一出，不知大家什么反应，反正我是被震撼到了：AI 模型竟然学到了那么多的棋谱，而且人类在AI的面前毫无还手可言。
但是，你有没有想过一个问题：阿尔法狗学会了下棋，它下棋的记忆是什么样的呢，存在什么地方呢？
我们都知道，人脑中是由大量的脑神经元组成的，每个脑神经元都可以看做是一个小的记忆体，神经元之间通过树突连接起来，整个大脑的神经元，可以说是一张十分复杂的网络。
人脑处理信息，就是利用这个复杂的网络处理信息，并最终得到一个结果。通过脑神经元组成的这个复杂的网络，我们才能分辨出眼睛看到的是一只猫还是一只狗。
稍微简化一下大脑神经元的复杂结构成如下的网络。
每个黑点可以代表一个神经元脑细胞，每个神经元脑细胞都有自己负责记忆的东西。
当你看到一张画着猫的图片的时候，图片信息通过视神经传给大脑神经元，于是，信息到达了上图最左侧一排竖着的黑点（神经元）。
神经元的激活
假设，上图左侧其中的一个或多个黑点(神经元)之前见过猫，那么这个黑点就会把信息往后传，此时神经元便处于激活状态。
假如一个黑点从来没见过猫，那么这个黑点(神经元)就什么也不知道，它什么也不做，此时神经元便处于静止状态。
一张画着猫的图片的信息，就这样一层一层通过"见过猫且确信它是一只猫的"神经元往后传递，直到在最后输出一个结果：这是一只猫。
这个过程就是大脑的推理。
整个推理过程你应该注意到了一件事，所有的黑点都可能是有记忆的，只不过记得东西各有不同，有的认识猫，有的认识狗，就像下面这样。
所有认识猫的神经元都会让信息通过，其他不认识猫的神经元都静止，但是只要信息能传到最后，人脑就可以得出一个结论：这就是一只猫。
获取记忆
人工智能模型是怎么模拟这个过程呢？答案很简单：计算机只会计算，那就让计算机进行运算即可。
如果某个黑点认识猫，有什么办法可以把"这是一只猫"的信息传递到后面呢？乘以1，任何数乘以1都是它自己，代表一只猫的信息乘以1也还是它自己。
如果某个黑点从来没见过猫，那有什么办法可以什么都不做呢？乘以0，任何数乘以0都是0，信息也就没了，代表一只猫的信息乘以0，猫的信息也就丢失了。
于是，在深度学习网络中，每个黑点(神经元)都有一个与之对应的数字（实际的网络中，不是0或者1这样简单的数字，而是一些复杂的小数，这里用0和1仅仅是为了更通俗的说明这个问题）。
这些数字，在深度学习模型中被称为模型的权值。
其实这就是类似于之前几节介绍的高斯滤波中的滤波器，用来确定让哪些数据通过，哪些数据不通过。
权值乘以输入的信息（猫），然后经过激活函数去激活（类似于人脑神经元的激活）。如果能成功激活，那么信息就往下传。如果没有成功激活，信息就在此丢失。
就如上面说的，在实际使用时，神经网络中的权值不是简单的0或1，经过激活函数后的输出也是一个概率值。也就是说黑点（神经元）觉得它是一只猫的概率，最终如果得到95%的概率觉的它是一只猫，那基本就是一只猫。
人们见猫的图像见的多了，就认识猫了。同样AI被训练"看"的多了，也会逐渐"认识"猫了，AI的权值就是这么被训练出来的！
说到这，就轮到今天的主角登场了------为什么是卷积算法。
这是因为卷积算法就存在一个天然的记忆体，那就是卷积核。
卷积算法
在深度学习中，卷积算法模拟的就是人眼看物体的过程。
上图是深度学习中卷积运算的示意图，还记得之前介绍的么：图像是由像素组成的。
上面示意图中底层 5x5 的像素方格（蓝色）就是卷积算法需要处理的图片(类比于人眼观察的图片)，示意图右侧 3x3 的像素方格就是卷积算法的输出(类比于人眼看完一张图片后捕获到的信息)。
在5x5 的方格上移动的灰色阴影------3x3的像素方格就是卷积核。可以把它理解为人眼此时聚焦看到的区域（称之为卷积核的感受野，人眼的视野），只不过，这个示意图中卷积核每次看到的都是一个 3x3 的像素方格。
而卷积的计算过程，就是用3x3的卷积核，去逐步扫描图片：从左往右，从上到下，横着扫完竖着扫，每扫一次，就将输入图像像素点的值与卷积核中的数值进行相乘，然后全部累加到一起，得到一个输出，就像下面这样：
卷积运算，就是这么简单的过程。
我们可以通过调整卷积核的大小，比如把上图3x3的卷积核扩大到5x5，来控制卷积核"看到"的图片范围，从而获取到不同尺度下的图片信息。
比如在一些检测车道线的神经网络中，由于车道线是长实线，车道线的存在趋近于长方形，因此在这类神经网络中，很多卷积核被设计成1x5或1x7的卷积核，用来更好的识别车道线的形状。
当然，在不同的图像处理任务中，会设计不同大小的卷积核，以适应不同的场景序需求，但万变不离其宗，卷积的计算，就是一些模拟的人眼看物体扫描像素点的过程。
说到这，大概对卷积这一算法有一个初步印象了吧。
这也是为什么在图像处理任务中，卷积算法为什么这么重要，因为它几乎可以完美的模拟人眼看到物体的过程：
首先，局部感知图像（感受野，类似于人眼盯着某一处看）
随后，滑动卷积核以获取全局图像特征（类似于人眼上下打量图像）
最后，卷积还存在一个权值矩阵，也就是卷积核（类似于人脑的记忆）
正因如此，卷积算法处理图像具有天然的优势，而且效果出奇的好。
而人们也在普通卷积的基础上，创造了更多各种各样的卷积变种，后面会继续深入探讨。
我创建了一个《小而精的AI学习圈子》的知识星球，星球上会有非常多高质量的技术专栏分享，同时你也可以在星球向我提问。 在星球你还可以学到很多关于 CV 、大模型以及 AIGC 相关的技术，看到别的同学都在如何学习。不要犹豫，戳下面的链接加入吧，这可能是你学习AI 的道路上非常重要的一次点击呀。 点击这里，我们星球见！