深度学习-图解卷积运算

卷积神经网络（Convolutional Neural Network，CNN）针对全连接网络 的局限做出了修正，加入了卷积层（Convolution层）和池化层（Pooling 知 层）。

CNN被广泛应用于图像识别、语音识别等各种场合，在图像识别的比赛中， 基于深度学习的方法几乎都以CNN为基础（比如，AlexNet、VGGNet、 Google Inception Net及微软的ResNet等）上。近几年深度学习大放异彩， CNN功不可没。

单通道，二维卷积运算示例：

如上图所示，红色的方框圈中的数字和卷积核乘积再相加得到输出数据。

单通道，二维，带偏置的卷积示例：

带偏置的计算实在上述乘积运算之后加上偏置。

带填充的单通道，二维卷积运算示例：

输出矩阵的大小计算

卷积运算输出矩阵大小计算公式

其中，输入大小为(H, W)，滤波器大小为(FH, FW)，输出大小为(OH, OW)，填 充为P，步幅为S。例如：输入大小（28,31）；填充2；步幅3；滤波器大小 (5,5)，则输出矩阵大小为：

多通道卷积计算

多通道卷积会按通道进行输入数据和滤波器的卷积运算，并将结果相加， 从而得到输出

多通道、多卷积核卷积计算：

• 每个通道先与第一组卷积核执行卷 积，然后多通道结果叠加，产生一 个输出
• 每个通道与下一组卷积核执行卷积， 产生另一个输出
• 有多少组卷积核，就有多少个通道 输出