卷积总结篇（普通卷积，大佬整理

什么是卷积？

卷积是指在滑动中提取特征的过程，可以形象地理解为用放大镜把每步都放大并且拍下来，再把拍下来的图片拼接成一个新的大图片的过程。

---

一、普通卷积**：（“卷积”就是“加权求和”）**

更详细请看笔者的博文：矩阵乘法实现卷积运算_caip12999203000的博客-CSDN博客_矩阵乘法实现卷积

**1.**以2D卷积为例，2D卷积是一个相当简单的操作

我们先从一个小小的权重矩阵，也就是 卷积核（kernel） 开始，让它逐步在二维输入数据上“扫描”。卷积核“滑动”的同时，计算权重矩阵和扫描所得的数据矩阵的乘积，然后把结果汇总成一个输出像素。

这里原理上使用的是滑动窗口，但也可以有更多高效的方法，例如：笔者的另外一篇文章，使用的是矩阵乘法实现的卷积运算。

**2.**卷积后的尺寸大小转换公式

（其中W1为输入矩阵大小，K为卷积核大小，P为向外填充的参数，S为步长，W2为输出的矩阵大小）

**3.**功能

特征图大小不变或缩小。根据公式通过调整P和S参数可实现特征图大小不变以及缩小。

4**.各个指标比较（参数量、计算量、感受野）**

（输入的通道数为M，尺寸为DF x DF ，输出通道数为N，卷积核大小为DK  x DK ，忽略偏执b。）

**5.**代码实现

Pytorch**（参考）**

import torch.nn as nn
import torch
# 输入值
im = torch.randn(1, 1, 5, 5)
# 普通卷积使用
c = nn.Conv2d(1, 1, kernel_size=2, stride=2, padding=1)
output = c(im)
# 输出
print("输入：\n",im.shape)
print("输出：\n",output.shape)
print("卷积核参数：\n",list(c.parameters()))

结果展示：