卷积及运算

最近感觉对卷积的基本运作有些生疏，因此有温习了一遍，在此简单记录一下

一、卷积(NCHW结构)运算（图片几通道，卷积核就几通道）

二、卷积的尺寸 （图片几通道，卷积核就几通道）

黄色三层代表一个三通道的卷积核。紫色图代表一个三通道的卷积核卷积出一张单通道的特征图图片。

最后的紫色与蓝色叠加图代表两个三通道的卷积核分别卷积出的两个单通道的特征图合并在一起成了一个两通道的总特征图

 

三、卷积核尺寸一般尺寸为奇数（1，3，5，7，9）

原因：1.奇数尺寸卷积核方便指出卷积核中心位置（如图：紫色处），避免卷积核滑动时发生位置偏移。2、保证padding时，图像两边依然对称

 

四、全连接神经网络三个明显的缺点：

（1）首先将图像展开为向量会丢失空间信息；

（2）其次参数过多效率低下，训练困难，网络过拟合

而使用卷积神经网络可以很好地解决上面的三个问题（下图2个对比

 对比可知 卷积输出是三维结构不会丢失空间信息

五、好的卷积是像素融合+通道融合