卷积神经网络（CNN）是深度学习中常用的网络架构，在智能语音中也不例外，比如语音识别。语音中是按帧来处理的，每一帧处理完就得到了相对应的特征向量，常用的特征向量有MFCC等，通常处理完一帧得到的是一个39维的MFCC特征向量。假设一段语音有N帧，处理完这段语音后得到的是一个39行N列（行表示特征 ...

准备转自：点击打开链接 1.知乎上排名最高的解释 首先选取知乎上对卷积物理意义解答排名最靠前的回答。 不推荐用“反转/翻转/反褶/对称”等解释卷积。好好的信号为什么要翻转？导致学生难以理解卷积的物理意义。 这个其实非常简单的概念，国内的大多数教材却没有讲透。 直接看图，不信看不懂 ...

1、什么是卷积：图像中不同数据窗口的数据和卷积核（一个滤波矩阵）做内积的操作叫做卷积，该计算过程又称为滤波（filter）,本质是提取图像不同频段的特征。 2、什么是卷积核：也称为滤波器filter，带着一组固定权重的神经元，通常是n*m二维的矩阵，n和m也是神经元的感受野。n*m矩阵中存 ...

一、两个随机变量的函数分布 卷积这个概念最早是在概率论两个随机变量函数分布中引入的 教科书上通常会给出定义，给出很多性质，也会用实例和图形进行解释，但究竟为什么要这么设计，这么计算，背后的意义是什么，往往语焉不详。 我们的疑惑点在于卷积公式到底是怎么卷的，怎么积的？ 直接 ...

介绍一维卷积的两种计算方法： 1.h(n)序列倒置->位移->相乘->取和 举例：x(n) = [4,3,2,1]，h(n) = [3,2,1]。 h(n)倒置为h'(n)[1,2,3]，逐渐从前向x(n)位移，直到h'(n)最后一个元素3与x(n)第一个元素4接触 ...

介绍一维卷积的两种计算方法： 1.h(n)序列倒置->位移->相乘->取和 举例：x(n) = [4,3,2,1]，h(n) = [3,2,1]。 h(n)倒置为h'(n)[1,2,3]，逐渐从前向x(n)位移，直到h'(n)最后一个元素3与x(n)第一个元素4接触 ...

看了很多反卷积和转置卷积的文章，似乎还是一头雾水，记录下自己理解的过程～ 有人一句话总结：逆卷积相对于卷积在神经网络结构的正向和反向传播中做相反的运算。其实还是不是很理解。 反卷积（转置卷积）通常用来两个方面： 1. CNN可视化，通过反卷积将卷积得到的feature map还原到像素空间 ...

参考：打开链接 卷积： 就是这个图啦，其中蓝色部分是输入的feature map，然后有3*3的卷积核在上面以步长为2的速度滑动，可以看到周围还加里一圈padding，用更标准化的参数方式来描述这个过程： 二维的离散卷积(N=2) 方形的特征输入(\(i_{1}=i_{2}=i\)) 方形 ...