计算机视觉 ————1，卷积之后特征图的大小的计算，2，采取卷积的部分原因。3，卷积网络相关知识

1，全连接层存在的问题：参数量过大。全连接层每个输出要和上一层每一个输入相联系，这样会产生巨大的参数量，自然而然增加了计算量。下图为全连接的示意图，可以直观看到，参数过多。造成问题也会很多（例如硬件上的速度，软件上的过拟合）

2，采取卷积网络的部分原因

    （1）局部相关性：在2D图片上，一个像素点和周围像素点经常会有联系，这就是局部相关性。

    （2）权值共享，每个输出节点，只与感受野中的点相关，（也就是(1)中所说的局部相关性，自己设置的相关性矩阵的大小），所有输出点，从输入到输出，用同一组权值，便是权值共享。

因为这两个原因，可以使得参数量大大减少。

3，卷积神经网络通过充分利用局部相关性和权值共享的思想，大大地减少了网络的参数 量，从而提高训练效率，更容易实现超大规模的深层网络。现在我们来介绍卷积神经网络层的具体计算流程。

以 2D 图片数据为例：

卷积层接受      高、宽分别为   ℎ 、 𝑤，通道数为   C𝑖𝑛的输入特征图  𝑿，

在C𝑜𝑢𝑡个高、宽都为𝑘，通道数为C𝑖𝑛的 卷积核作用下，

生成高、宽分别为 ℎ′ 、 𝑤′，通道数为C𝑜𝑢𝑡的特征图输出。

其中，输入图的尺寸，输出图的尺寸，和  卷积核尺寸 之间的关系如下：

其中，Ph代表，输入图片填充零的行数，k代表卷积核的长度，s代表步长。

在这里面，输出特征图的通道数与卷积核的通道数一样。下面是一个  三通道，二卷积核的示意图：，输出的就是二通道的特征图，（需注意卷积核1也是三通道，卷积核2也是三通道，和输入的通道数是保持一致的）

      

4，卷积的代码实现，

tensorflow中，既可以用 tf.nn.conv2d(X,W,stride='',padding=''),也可以用keras的layer层，Layers.Conv2D()，其中的参数可以具体查找官网，或者在使用时候，直接看函数提示。

需要注意的是，如果stride=1，padding=‘same’的话，那么会trnsorflow会自己填充0，生成与输入图片同样尺寸大小的特征图。

5，卷积的直观算法，下图示例，其余类似：

   

这样既可以求出卷积后的值，其余类似。

6，卷积的变形：空洞卷积，转置卷积。等比较好理解。

空洞卷积示意图：

转置卷积示意图：