卷积神经网络——卷积层计算

卷积层计算

卷积层关键操作：

• 局部关联：每个神经元看作一个滤波器filter，局部数据权值共享。
• 滑动窗口：对一个filter内的数据进行计算。

关键参数：

• 深度depth：filter的个数
• 步长stride：单个filter一次滑动的长度
• 填充值zero-padding：对输入数据进行填充

填充值的作用：对于一个像素为5x5的输入图片，如果滑动窗口的大小为2x2，步长为2，则存在一列数据无法处理，此时需要添加0填充值，以保证所有数据都能被遍历到。

卷积具体的计算方式，如下图所示：

上图中的蓝色矩阵为输入的图像，维度为[5, 5, 3]，经过0值填充后(灰色值为0部分)，维度变为[7, 7, 3]，粉色矩阵为卷积层的神经元，这里有两个神经元(w0, w1)，每个神经元的维度为[3, 3, 3]，步长设置为2，即每个窗口滑动的长度。

蓝色矩阵的输入数据，与filter(粉色矩阵)的权重数据进行矩阵内积计算，将结果与偏置值bias相加，得到的结果为绿色输出矩阵中的一个值。

以第一个窗口计算为例：

[0x1+0x1+0x(-1)+0x(-1)+0x0+1x1+0x(-1)+0x(-1)+1x0] + [0x(-1)+0x0+0x(-1)+0x0+1x0+1x(-1)+0x1+0x(-1)+2x0] + [0x0+0x1+0x0+0x1+2x0+0x1+0x0+0x(-1)+0x1] + 1 = 1

若输入数据维度为WxW，填充值P，Filter大小FxF，步长S，输出数据维度为NxN，则有如下计算公式：
N = （ W - F + 2P）/ S + 1

参数共享机制

卷积层中，每个神经元连接的数据窗权重是固定的，每个神经元只关注一个特性。神经元就是图像处理中的滤波器，卷积层中的每个滤波器都会有自己所关注的一个图像特征，比如垂直边缘，水平边缘，颜色，纹理等。这些所有神经元加在一起就像整张图像的特征提取器集合。

总结

没有学习过图像处理，卷积在我理解来看就是y = Wx + B的线性乘加操作。只不过相对全连接层，局部窗口内的数据共用一组相同权重W(参数共享)，使得需要计算的权重数据量大幅度减少。。

本文参考：https://www.jianshu.com/p/1ea2949c0056，侵删。

后记

本文写于回南京的高铁上，农历新年之后第一篇博客，希望今年收获能远大于去年，路漫漫其修远～