cuDNN学习笔记（3）-- 卷积公式

cuDNN提供了各种各样的API函数，本人在上一篇文章《cuDNN学习笔记（2）-- 常用数据类型和API函数》（https://blog.csdn.net/qq_41736617/article/details/119515655，持续更新中…）进行了介绍。
函数的使用离不开对于原理的理解，本篇对cuDNN的卷积公式进行介绍。
cuDNN提供了好几种计算公式，这里先对计算公式涉及到的变量进行介绍。

卷积公式的参数

Term	Description	说明
$x$	Input (image) Tensor	输入的图像或feature map张量
$w$	Weight Tensor	权重张量
$y$	Output Tensor	输出张量
$n$	Current Batch Size	当前Batch的尺寸
$c$	Current Input Channel	输入图像或feature map的通道数，即filter数量
$C$	Total Input Channels	总的输入通道数，应该是用于并行计算使用吧
$H$	Input Image Height	输入图像或feature map的高度
$W$	Input Image Width	输入图像或feature map的宽度
$k$	Current Output Channel	输出图像或feature map的通道数，即filter数量
$K$	Total Output Channels	输出图像或feature map的总通道数
$p$	Current Output Height Position	当前输出图像或feature map高度位置的索引
$q$	Current Output Width Position	当前输出图像或feature map宽度位置的索引
$G$	Group Count	分组数量
$pad$	Padding Value	填充的值
$u$	Vertical Subsample Stride (along Height)	垂直方向欠采步长
$v$	Horizontal Subsample Stride (along Width)	水平方向欠采步长
$di{l}_h$	Vertical Dilation (along Height)	垂直方向膨胀/扩充
$di{l}_w$	Horizontal Dilation (along Width)	水平方向膨胀/扩充
$r$	Current Filter Height	当前Filter索引，这个理解应该是多维张量时通道数在一个方向（Height）的数量
$R$	Total Filter Height	总的Filter高度
$s$	Current Filter Width	当前Filter索引，这个理解应该是多维张量时通道数在另一个方向（Height）的数量
$S$	Total Filter Height	总的Filter宽度
$C_g$	$C/G$	分组后一个组内的总输入通道数
$K_g$	$K/G$	分组后一个组内的总输出通道数

卷积公式

标准的卷积公式

标准的卷积公式如下：
y n , k , p , q = ∑ c C ∑ r R ∑ s S x n , c , p + r , q + s × w k , c , r , s y_{n,k,p,q}=\sum_{c}^C{\sum_