矩阵乘法的本质是特征的融合，卷积算法的本质是特征的提取。

回想一下之前所有介绍卷积的时候，描述了一种卷积运算的场景，那就是一个窗口在图片上滑动，窗口中的数值是卷积核的参数，也就是权值。

卷积的计算本质是乘累加，和矩阵乘法一样，因此，卷积在每一次扫描的过程中，其本质也是把输入图像中的特征进一步融合，从而产生新的特征，或者叫作提取出新的特征。

为什么那么多处理图像的神经网络比如之前章节说过的一个图像检测网络 yolov3，会把 resnet 作为自己的骨干网络呢?

就是因为 resnet 中有大量的设计好的卷积层，因此，大部分将 resnet 作为骨干网络的其他神经网络，都是把 resnet 这一部分结构当做一个图像的特征提取器来使用。

而其他的网络结构，都是在对 resnet 提取出来的特征进行其他的操作。

因此，我们可以得出一个结论，卷积和矩阵乘法，其本质是类似的，都是对原始输入图像进行特征提取以进一步融合出新的特征，也就是完成一个特征提取的作用。