YOLO系列笔记（十）—— 基础：卷积层及其计算公式

前言

卷积层是在深度学习领域中非常常见、基础且重要的一种神经网络层。许多初学者可能会对卷积层的功能、其计算过程以及它在神经网络中的作用感到困惑。在这篇文章中，我将为大家详细介绍卷积层的基本概念和运作原理。

定义与功能

卷积层主要执行的是卷积操作，这是一种在神经网络中常用的操作，用于从输入数据中提取特征。在卷积层中，多个卷积核（也称为滤波器）在输入数据上滑动，并在每个位置上执行逐元素的乘积运算，随后将这些乘积相加以产生输出特征图中的一个元素。这个过程在数学上被描述为卷积运算，其目的是通过滤波器提取输入数据的局部特征。卷积操作步骤如下图（这里采用的是2*2的卷积核）：

计算过程与输出尺寸

卷积层的输出尺寸受到多个因素的影响，包括卷积核的尺寸、步幅（stride）和填充（padding）。以一个640x640像素的图像通过一个3x3卷积核的卷积层为例来说明：

没有填充的情况

如果没有填充，且步幅为1，则输出尺寸可以通过以下公式计算：
$$output=\left(\frac{\text{input\_size}-\text{kernel\_size}}{\text{stride}}\right)+1$$

对于一个640x640的图像通过一个3x3的卷积核，步幅为1的情况下，输出尺寸为：

$$output=($$