CNN卷积具体计算过程

https://blog.csdn.net/yudiemiaomiao/article/details/72466402

https://blog.csdn.net/yudiemiaomiao/article/details/72466402

https://www.cnblogs.com/zf-blog/p/6075286.html

关键知识点：

卷积层是用来做特征提取的。每一个卷积层可以有多个卷积核的

不同的卷积层的级联，得到的特征的从low到high

上面的图很清晰，

图像的通道是3个，8*8*3的图像

卷积层有5个卷积核，每一个卷积核的大小一定一样（W 宽度，H 高度和D 深度）卷积核的深度（第三维）一定与图像的深度一样。

整个图像（所有通道），经过每一个卷积核，得到一个featuremap，这个featuremap是压缩的。

因此输出的D 深度（通道数）就是卷积核的数量。

卷积层尺寸的计算原理

• 输入矩阵格式：四个维度，依次为：样本数、图像高度、图像宽度、图像通道数
• 输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。
• 权重矩阵（卷积核）格式：同样是四个维度，但维度的含义与上面两者都不同，为：卷积核高度、卷积核宽度、输入通道数、输出通道数（卷积核个数）
• 输入矩阵、权重矩阵、输出矩阵这三者之间的相互决定关系
  • 卷积核的输入通道数（in depth）由输入矩阵的通道数所决定。（红色标注）
  • 输出矩阵的通道数（out depth）由卷积核的输出通道数所决定。（绿色标注）
  • 输出矩阵的高度和宽度（height, width）这两个维度的尺寸由输入矩阵、卷积核、扫描方式所共同决定。计算公式如下。（蓝色标注）

其实还有channel_out = K

输出的D 深度（通道数）就是卷积核的数量。