[人工智能-深度学习-27]：卷积神经网络CNN - 核心概念（卷积、滑动、填充、参数共享、通道）

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/120806277

---

目录

第1章 卷积中的“积”的定义

1.1 卷积中的“积”是内积

第2章 卷积中的“卷”的定义

2.1 在滑动中“卷”积

2.2 滑动的步长

第3章 边缘填充

3.1 Pading的基本思想来源

3.2 填充后的效果

3.3 边缘填充对输出的影响

第4章 单个卷积核的输出

4.1 单通的输出（X,Y)

4.2 多输入通道的合并

第5章 多个卷积核的输出：多通道输出

5.1  通道的拓展

5.2 每个输出通道来自一个卷积核

5.3 特征图：通道的本质是某一角度的特征

第6章 卷积的参数计算

6.1 特征图尺寸的计算公式

6.2 卷积核参数共享

第7章 卷积对图形变换

第8章 池化层

第9章 全连接的dropout

---

第1章 卷积中的“积”的定义

1.1 卷积中的“积”是内积

第2章 卷积中的“卷”的定义

2.1 在滑动中“卷”积

2.2 滑动的步长

 

 

 stride：反映的每次移动的像素点的个数。

 

备注：

步长与输入数据的尺寸，直接决定了卷积核输出的尺寸。

但在实际定义卷积神经网络时，通常预先定义的是卷积层的输出尺寸，因此，步长并不是程序员预先设定的超参数，而是自动计算。

步长是根据卷积层的程序员指定的输入尺寸、输出尺寸、卷积核的大小来进行推导出来的。

第3章 边缘填充

3.1 Pading的基本思想来源

除了输出的边缘被裁剪，同时输入数据的边缘数据点，被使用的机会也比中心点使用的机会少。

为了克服上述确定，需要在边缘外围进行填充，确保输入数据的所有点都是机会均等的，公平的。

 

3.2 填充后的效果

3.3 边缘填充对输出的影响

（1）边缘填充影响卷积输出的大小

（2）由于填充的是0，因此不影响边缘处的卷积的输出值。

第4章 单个卷积核的输出

4.1 单通的输出（X,Y)

（1）单个卷积核的每一次卷积的输出是一个点

（2）单个卷积核的所有卷积的输出是一个二维的输出（三个通道的合成），而不是一个点。

（3）多个卷积核的所有卷积的输出组成一个三维的输出，第三个维度的长度反映卷积核的个数。

4.2 多输入通道的合并

多通道输入数据：通道的来源

RGB三个通道的合并，才阐述了整个图片的综合特征，因此，卷积的“积”会会三个通道的”积”进行累加合并。

 

 

 

第1层是第一个卷积核的输出。

第2层是第二个卷积核的输出。

第5章 多个卷积核的输出：多通道输出

5.1  通道的拓展

在输入图片时，通道是指：R,G,B三个颜色通道

在卷积层内部，通道是指：隶属于每个独立的神经元，通道数就是神经元的个数。

5.2 每个输出通道来自一个卷积核

 每个卷积核的输出图形，都被原始图形小，分别是原始图形中某一个种特征，是原始图形的部分信息，而不是全部像素信息。

5.3 特征图：通道的本质是某一角度的特征

第6章 卷积的参数计算

6.1 特征图尺寸的计算公式

、

6.2 卷积核参数共享

（1）参数共享的好处

参数共享能够很好的降低全连接网络的过拟合

参数共享也可以极大的降低参数的个数

（2）全连接网络中批量样本计算时的参数共享

（3）卷积核的参数共享

第7章 卷积对图形变换

 

第8章 池化层

备注：池化不进行矩阵运算，而只是选择部分数据输出。

 

 每个区域选择最大值：选择特征最大的值，是特征最明显的特征。

第9章 全连接的dropout

---

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/120806277