CNN 理解神经网络中卷积(大小，通道数，深度)

---

---

---

卷积

卷积核又称为卷积过滤器

卷积核的表示，使用三维张量 $G\in {\mathbb{R}}^{K\ast K\ast C}$，下图卷积核大小是3x3x1(K=3,C=1)
C是卷积核的通道数。

源图像的大小为 $H\ast W\ast C$,经过卷积核$G\in {\mathbb{R}}^{K\ast K\ast C}$ 进行卷积，得到新的特征图
新的特征图长为 $\acute{H}=\frac{H+2p-k}{s}+1$，宽w同理（H换成W即可）
p是填充，s 是步长

卷积完成后，通常会为每个特征图加上一个偏置b

多通道卷积
通道：一个卷积核的通道数 必须 与它进行卷积的输入 相同。
如 32x32x3 的图像，它的卷积核通道必须为3， 如卷积核大小可以为5x5x3
如下图就是 长方体的深度(卷积核的通道数)必须相同（左侧是源图像，中间是卷积核，右侧是卷积结果）

对于卷积运算，一个卷积核经过计算得到的一定是一个数字。

卷积核的深度：有几个卷积核深度就是几

池化

• 池化操作就是使用一个固定大小的滑窗在输入上滑动，每次将滑窗内的元素聚合为一个值作为输出。
• 根据聚合方式的不同，可以分为平均池化和最大值池化。
• 池化操作的主要目的是降维，以降低计算量，并在训练初期提供 一些平移不变性
• 对于多通道的输入，池化是逐通道进行的，因此不会改变输入的通道数
• 滑窗的大小k（假设滑窗的长和宽相等）和滑动的步长s都会影响最终的输出。

特殊的卷积

1*1卷积

通常1×1卷积有以下功能：

• 一是用于信息聚合，同时增加非线性，1×1卷积可以看作是对所有通道的信息进行线性加权，即信息聚合，同时，在卷积之后可以使用非线性激活，可以一定程度地增加模型的表达能力；
• 是用于通道数的变换，可以增加或者减少输出特征图的通道数。