深度学习-卷积神经网络初识-2

                     卷积神经网络（二）

技交部 潘震宇

一、 卷积步长

从之前的了解中，我们初步知道了卷积运算的含义。也知道了滤波器的作用。

在此前，我们在将滤波器盖在矩阵上，进行边移动边计算的时候，移动步长都是默认的一步，那或许有些人就会问了，能不能一次走俩步、三步、甚至更多步呢？答案当然是可以的。

在这个矩阵中，我们可以发现，将步长stride设置为2后，每一次移动都是俩步。不论是左右还是上下。

       并且，在移动的过程中我们得注意，当覆盖区域有一部分在矩阵外时，这个移动就是非法的。我们就应该跳过。

       假设矩阵为n * n，滤波器为f * f，padding为p，stride 为s：

       则，卷积运算后的维度为floor（（n + 2p - f）/s + 1） * floor（（n + 2p - f）/ s + 1）

事实上，在机器学习中，卷积运算的说法仅限于上述运算，但是真正在数学领域中，中间还应该有一步与翻转滤波器相乘。

具体详细，感兴趣的可以自行查询相关资料，这里就不加以介绍。

二、 卷积中，卷的体现

在之前的讲解中，咱们都是利用的二维图像的灰度图矩阵进行举例。那么，若为RGB三色图所对应的三维矩阵呢？它的卷积又与二维卷积运算有哪些区别呢？

上图所示，假设咱们有一副6*6*3的图像，3代表着RGB三种通道。它对应的过滤器假设为3*3*3，最终卷积后得出一个二维的4*4矩阵。

过滤器：3 * 3 * 3

这里的绿色的3，代表着对应图像的三种通道，它的值应该和图像的通道值一致。就好像是三层二维的过滤器，分别对应着每一个色通道。再把他们压在一起。因此，黄色的3*3，也就是之前二维的概念。

我们把它用一种更好看的形式来表现。

如上图所示的运算当中，第一次计算便时将三维滤波器放在RGB图像的外部定点处。并且对应数字相乘，27个乘积再相加，就得