二维卷积计算方式

二维卷积计算方式

以keras构建的模型为例
输入的图像shape为 (28, 28, 3)，分别表示 (H, W, channels)。
注：pytorch的输入shape为 (3，28, 28)，分别表示 (channels，H, W)。

各层输出

各层计算结果：

• 卷积层包含32个卷积核，每个卷积核的窗口大小为（3，3），不采用padding填充（padding=“valid”），窗口移动步长strides为1。因此，卷积层输出的矩阵高H为 (28 - 3 + 1) / strides = 26 ，因此输出矩阵（26， 26， 32）。若要保持输入输出矩阵的shape一致，需padding=“same”。
• 池化层使用（2, 2）的窗口进行最大池化，下采样后得到输出矩阵 (13, 13, 32)
• Flatten()层将 (13, 13, 32) 转平为一维向量
  

卷积层计算方式

• 对于shape为(28, 28, 3)输入矩阵，每个卷积核的shape为 (3, 3, 3)。即对于输入矩阵中每个channels下的（28， 28）矩阵， 都会有一个(3, 3) 的卷积窗口滑动并点积计算。三个窗口分别得到的值求和并加上偏置 b 作为卷积值，操作示例如下图所示：
  

卷积翻转180度！

对两个矩阵做卷积运算的时候，作为卷积算子的矩阵要逆时针旋转180度，即

翻转为：

然后进行点积运算。

上面例子中，卷积核已翻转，各卷积核计算结果如下：
r1 = -1
r2 = -1
r3 = 1
结果为 r1 + r2 + r3 +b = 0

参考博客：

• 卷积操作图解
• 什么！卷积要旋转180度？！