深度学习之卷积基本知识

卷积相关

• 卷积神经网络的参数计算

参考博客https://www.cnblogs.com/hejunlin1992/p/7624807.html

比如输入是一个32x32x3的图像，3表示RGB三通道，每个filter/kernel是5x5x3，一个卷积核产生一个feature map，下图中，有6个5x5x3的卷积核，故输出6个feature map（activation map），大小即为28x28x6。

  下图中，第二层到第三层，其中每个卷积核大小为5x5x6，这里的6就是28x28x6中的6，两者需要相同，即每个卷积核的“层数”需要与输入的“层数”一致。这是理解参数计算的关键。有几个卷积核，就输出几个feature map，下图中，与第二层作卷积的卷积核有10个，故输出的第三层有10个通道。

举例说明，某层输入为32x32x8，卷积核大小为5x5，总共有10个卷积核，做卷积的时候stride=1，pad=2，那么这一层总共含有多少参数？

每个卷积核含有的参数个数为：5*5*8 + 1 = 201，其中8既代表该层输入的通道数，也表示每个卷积核的层数，1是偏置bias，由于有10个卷积核，故总参数为201*10=2010。

• 感受野计算公式

参考博客https://blog.csdn.net/xiaohu2022/article/details/80647180

为了计算CNN每一层的感受野，除了要知道特征图每个维度的特征数nn，还需要记录每一层的其他信息，这包括当前层的感受野大小rr，两个相邻特征的距离（跳跃的距离，如前面可视化所示）jj，和左上角特征（第一个特征）的中心坐标startstart。注意感受野（其实是特征图第一个特征的感受野）的中心坐标