Yann LeCun被大家誉为“卷积神经网络之父”，该技术助推了人工智能在Google、Facebook等公司的发展，在此之外，LeCun也已经不再局限于扎根算法领域。正如那些开发全新计算方法的人一样，他在硬件领域也有深厚背景，尤其是芯片设计，并且在硬件专业化，复杂问题下的数据迁移，以及核性能提升方面也很拿手。

LeCun是从贝尔实验室的研究真正开始开拓深度学习的，他的研究项目结合了先进的软硬件联合设计技术（co-design）。即使在今天，他在服务器端的机器学习和神经网络循环仍广为人知。他本周在Hot Chips会议上做了这方面介绍。在关于神经网络进化（硬件和软件）的演讲中，LeCun除了介绍自己在贝尔实验室、Facebook研究院和纽约大学（众多研究机构之一）的经历之外，还挤出时间和The Platform交流了关于卷积神经网络在联合设计方面今后的发展。

对于如下的二维矩阵，做1x1卷积，相当于直接乘以2，貌似看上去没什么意义。

但是，对于下面这种32通道的数据，如果用1个1x1x32的卷积核与其做卷积运算，得到的就是1个6x6的矩阵。

在这个过程中，发生了如下的事情：

（1）遍历36个单元格（6x6）

（2）计算左图中32个通道中截面与卷积核中32个元素的乘积

（3）此时得到的结果仍然是6x6x32的矩阵

（4）每个6x6的矩阵都叠加起来得到一个6x6的矩阵

收录于话题

福建省灾害天气

重点实验室

海峡气象

开放实验室

专家微课

2020年第7期

报告题目：基于长短期记忆卷积神经网络方法的深度学习在短临预报中的应用

报告专家：陈磊 博士 上海中心气象台

报告时间：2020年9月18日上午9:00-11:00

卷积是一种通过“滑动窗口加权求和”提取数据特征的数学运算，核心思想是用一个小矩阵（卷积核）在输入数据上滑动并计算局部区域的加权和，生成新特征图。以下从原理到实例详细说明：

一、卷积的核心原理

1. 滑动窗口机制

一、前言

本文分析了全连接层存在的局限性，然后引出卷积的思想方法，介绍了如何进行卷积、池化计算，提取特征。学习了卷积神经网络，就可以用神经网络高效地进行图像处理，比如说用于人脸识别、图片清晰化、风格迁移等。

卷积神经网络（Convolutional Neural Networks，CNN）主要包含以下结构：

1 前言

在前几篇文章中，有很多读者对于卷积有一些不理解，这期专门做一篇关于卷积的文章帮助大家理解。但这仅仅只是对卷积操作有了一个总体的认识，其中仍有许多细节的地方没有进行介绍。例如：

①什么是多卷积核卷积？
②卷积操作具体是怎么计算的？
③深度卷积又是怎么一回事儿？