卷積神經網絡（CNN）是深度學習中常用的網絡架構，在智能語音中也不例外，比如語音識別。語音中是按幀來處理的，每一幀處理完就得到了相對應的特征向量，常用的特征向量有MFCC等，通常處理完一幀得到的是一個39維的MFCC特征向量。假設一段語音有N幀，處理完這段語音后得到的是一個39行N列（行表示特征 ...

准備轉自：點擊打開鏈接 1.知乎上排名最高的解釋 首先選取知乎上對卷積物理意義解答排名最靠前的回答。 不推薦用“反轉/翻轉/反褶/對稱”等解釋卷積。好好的信號為什么要翻轉？導致學生難以理解卷積的物理意義。 這個其實非常簡單的概念，國內的大多數教材卻沒有講透。 直接看圖，不信看不懂 ...

1、什么是卷積：圖像中不同數據窗口的數據和卷積核（一個濾波矩陣）做內積的操作叫做卷積，該計算過程又稱為濾波（filter）,本質是提取圖像不同頻段的特征。 2、什么是卷積核：也稱為濾波器filter，帶着一組固定權重的神經元，通常是n*m二維的矩陣，n和m也是神經元的感受野。n*m矩陣中存 ...

一、兩個隨機變量的函數分布 卷積這個概念最早是在概率論兩個隨機變量函數分布中引入的 教科書上通常會給出定義，給出很多性質，也會用實例和圖形進行解釋，但究竟為什么要這么設計，這么計算，背后的意義是什么，往往語焉不詳。 我們的疑惑點在於卷積公式到底是怎么卷的，怎么積的？ 直接 ...

介紹一維卷積的兩種計算方法： 1.h(n)序列倒置->位移->相乘->取和 舉例：x(n) = [4,3,2,1]，h(n) = [3,2,1]。 h(n)倒置為h'(n)[1,2,3]，逐漸從前向x(n)位移，直到h'(n)最后一個元素3與x(n)第一個元素4接觸 ...

介紹一維卷積的兩種計算方法： 1.h(n)序列倒置->位移->相乘->取和 舉例：x(n) = [4,3,2,1]，h(n) = [3,2,1]。 h(n)倒置為h'(n)[1,2,3]，逐漸從前向x(n)位移，直到h'(n)最后一個元素3與x(n)第一個元素4接觸 ...

看了很多反卷積和轉置卷積的文章，似乎還是一頭霧水，記錄下自己理解的過程～ 有人一句話總結：逆卷積相對於卷積在神經網絡結構的正向和反向傳播中做相反的運算。其實還是不是很理解。 反卷積（轉置卷積）通常用來兩個方面： 1. CNN可視化，通過反卷積將卷積得到的feature map還原到像素空間 ...

參考：打開鏈接 卷積： 就是這個圖啦，其中藍色部分是輸入的feature map，然后有3*3的卷積核在上面以步長為2的速度滑動，可以看到周圍還加里一圈padding，用更標准化的參數方式來描述這個過程： 二維的離散卷積(N=2) 方形的特征輸入(\(i_{1}=i_{2}=i\)) 方形 ...