卷积神经网络可视化理解 什么是矩阵卷积？
什么是矩阵卷积？
最近，我一直在研究图像处理和卷积运算，但我认为它太复杂了，写不出来。在这里，我将简单介绍卷积计算过程。假设有一个卷积核h，一般是3*3的矩阵：有一个要处理的矩阵X:h*X，计算过程分为三步。第一步是将卷积核旋转180度，这是第二步。卷积核H的中心与X的第一个元素对齐，然后将相应的元素相乘相加，如果没有元素，则相加0。这样，Y中的第一个元素的值是Y11＝1×0 2×0 1×0 0×0×1 0×2－1×0－2×5－1×6＝16。在第三步中，每个元素都这样计算以得到输出矩阵，也就是说，卷积结果是这样计算的，并且省略了其他过程。最后的结果是：这里我使用0来完成原始矩阵，但是我们不一定选择0。在OpenCV的cvfilter2d函数中，没有使用0来完成矩阵，而是使用了边复制方法。接下来介绍OpenCV的cvfilter2d函数的卷积运算过程。
酉矩阵的定义？
如果n阶复合矩阵U的n列向量是U空间的标准正交基，则U是酉矩阵。显然，酉矩阵是正交矩阵在往复域中的推广。酉矩阵又称酉矩阵1。2000年以前，国内许多教科书（尤其是旧版）都使用了“酉矩阵”的名称。需要注意的是，酉矩阵和幺模正交矩阵是两个不同的概念。
矩阵的卷积怎么计算？
卷积定理指出函数卷积的傅里叶变换是函数傅里叶变换的积。也就是说，一个域中的卷积等价于另一个域中的积。例如，时域中的卷积对应于频域中的乘积。F（g（x）*F（x））=F（g（x））F（F（x）），其中F表示傅里叶变换。这一原理也适用于傅里叶变换的各种变体，如拉普拉斯变换、双边拉普拉斯变换、z变换、梅林变换和哈特利变换（参见梅林逆定理）。在调和分析中，它也可以推广到定义在局部紧阿贝尔群上的傅里叶变换。卷积定理可以简化卷积的计算。对于长度为N的序列，根据卷积的定义，需要进行2N-1组位乘法，其计算复杂度为；采用傅立叶变换将序列变换到频域后，只需进行一组位乘法，采用傅立叶变换的快速算法后，总计算复杂度为。这个结果可用于快速乘法。
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
