深入浅出理解卷积Convolutional原理和深度学习过程中CNN神经网络机理

Striding：卷积时，通常希望输出的尺寸是比原输入更低。这在CNN中很常见，在增加信道数量的同时空间尺寸减小。其中一种方法是使用池化层（例如，取每 2×2网格的平均值/最大值将空间维度减半）。还有一种方法是使用 Strides：

Strides的思路是改变卷积核移动的步长跳过一些像素。Stride 是 1 表示卷积核滑过每一个相距是 1 的像素，是最基本的单步滑动，即经典的标准卷积模式。Stride 是2表示卷积核的移动步长是2，跳过相邻像素，图像缩小为原来的1/2。Stride是3表示卷积核的移动步长是 3，跳过2个相邻像素，图像缩小为原来的1/3。

越来越多的新型神经网络结构，已完全抛弃了池化层。当需要对图像进行缩小时会采用 Stride方法。

多通道

上面所述基于单个输入通道的图像。实际上，现在绝大多数输入图像都是3通道的，一张彩色图片由R、G、B三个维度的值表述。通道数只会增加网络深度。通常会将图像的通道视作一个整体，强调其整体的一面而不关注各自的差异。

滤波器：卷积核的集合

滤波器和卷积核两个术语之间有着本质的区别：仅在1通道情况下，滤波器和卷积核这两个术语等价，在一般情况下，它们是不同的。每个滤波器实际上是卷积核的集合，图层的每个输入通道都有一个卷积核，并且是唯一的。

卷积层中的每个滤波器都只输出一个通道，他们是这样实现的：

滤波器的每个卷积核在各自的输入通道上滑动，产生各自的计算结果。一些卷积核可能比其他卷积核具有更大的权重，以便比某些卷积核更强调某些输入通道（例如，滤波器的红色通道卷积核可能比其他通道的卷积核有更大的权重，因此，对红色通道特征的反应要强于其他通道）。

然后将每个通道处理的结果汇在一起形成一个通道。滤波器的卷积核各自产生一个对应通道的输出，最后整个滤波器产生一个总的输出通道。

偏置。偏置的作用是对每个输出滤波器增加偏置项以便产生最终输出通道。