【温故知新】深度学习(CNN)中的卷积

卷积操作其实可以分成三种操作:

Valid

valid 操作，滑动步长为S，图片大小为N1xN1，卷积核大小为N2xN2，卷积后图像大小：(N1-N2)/S+1 x (N1-N2)/S+1如上图
S = 1
N1 = 4
N2 = 3
卷积后大小 (4 - 3)/1 + 1 = 2
这中卷积操作会缩小图像，如果步长为1，如上图，那么只考虑一边，不能进行卷积的部分就是N2 - 1（3x3只有一行可以卷积），比如上图为3的卷积，就有2行不能进行卷积，否则会超出边界。所以原图像大小就变为N1 - (N2 - 1) = N1 - N2 + 1。若考虑步长 N1/S - (N2/S - 1) = (N1 - N2)/S + 1，其实可以把图像进行缩小S倍、卷积核缩小S倍比较好理解。比如12x12，卷积核4x4，步长如果为2，则可以看做是6x6图像与2x2卷积核卷积。结果就位12/2 - (4/2 - 1) = 5。

Full

在这里插入图片描述

full 操作，滑动步长为1，图片大小为N1xN1，卷积核大小为N2xN2，卷积后图像大小：N1+N2-1 x N1+N2-1 如上图
S = 1
N1 = 5
N2 = 3
卷积后大小5 + 3 -1 = 8，其实可以看到，前2行是多出的，即N1 + (N2 - 1)
或者说这是加了padding = 2的卷积操作，可以保留更多信息

Same

same 操作，滑动步长为1，图片大小为N1xN1，卷积核大小为N2xN2，卷积后图像大小：N1xN1 如上图所示
S = 1
N1 = 5
N2 = 3
卷积后大小5 + 0 = 8，其实可以看到，前2行是多出的，即N1 + (0)
或者说这是加了padding = 1的卷积操作，可以保留较多信息

总结

图片来自这里我叫人人一博主ppt，其归纳的比较好。

参考

FCN于反卷积(Deconvolution)、上采样(UpSampling)
卷积的三种模式:full, same, valid
卷积神经网络 By Renrenyi (人人易)
卷积动画