本文详细介绍了卷积神经网络中的卷积操作，包括卷积核大小、步长、填充的影响，以及如何计算卷积后的特征图大小。还探讨了一维、二维和三维卷积的区别，并提供了卷积参数量和FLOPs计算的公式，强调了感受野在多层网络设计中的重要性。
转自：https://zhuanlan.zhihu.com/p/63174774
1. 卷积
卷积神经网络中的卷积是指定义好卷积核(kernel)，并对图像(或者特征图，feature map)进行滑动匹配，即对应位置相乘再相加。其特点就在于能够捕捉局部的空间特征。具体过程如下图所示：
图1-二维卷积过程示例
每一个卷积核对应于一种特征提取的范式，不同的卷积核对应于不同的特征提取器，如下图所示：
图2-卷积特征提取示例
卷积操作的参数包括卷积核大小(kernel size)、步长(stride)以及边缘填充(padding)三个参数。此外对于同一步的卷积操作，可以使用多个卷积核，就能得到多张特征图。
卷积核大小
：即卷积核的尺寸，通常都是正方形。上图中的大小就是3*3；
步长
：卷积过程中每次滑动的距离。如上图中就是步长为1，步长成倍的增加，卷积后的特征大小就会成倍的减小。
边缘填充
：为了在调整卷积后特征的大小，会在边缘填充来补齐，通常填充值为0，且上下左右对称；
卷积后的特征图大小可由下面公式进行计算，这里卷积后尺寸大小为
最低0.47元/天 解锁文章
289
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
