【深度学习笔记】标准卷积

举个例子，假设有一个3×3大小的卷积层，其输入通道为16、输出通道为32。

• 那么一般的操作就是用32个3×3的卷积核同输入数据来分别进行卷积操作，这样每个卷积核需要3×3×16个参数，得到的输出是只有一个通道的数据。
• 之所以会得到一通道的数据，是因为刚开始3×3×16的卷积核的每个通道（一共16个）会在输入数据的每个对应通道上做卷积，然后叠加每一个通道对应位置的值，使之变成了单通道，那么32个卷积核一共需要(3×3×16)×32 =4068个参数。
• 也就是说，在每次卷积操作中，多卷积核所有16个通道 只针对 输入的一个通道进行卷积，将卷积核16个通道得到的卷积结果 对应位置的值 进行叠加，得到一个输出 / 一张特征图 / 一个通道。
• 32个卷积核都重复32次上述操作，那么我们就可以得到32个输出，也就是32张特征图，或者说32个通道的输出。

要是还不是那么明白，再上一张图结合图片来看上述文字会轻松很多。

• 输入RGB3通道的
• 每个卷积核大小333
• 输出是5通道