卷积层的主要作用_关于卷积的一些基本概念理解（不仅仅是卷积）

1. 卷积就是相乘再相加（卷积核需要翻转），方便对图像提取特征或者是其他的一些目的（比如边缘检测）。除了原图像之外，另一个被用来相乘相加的就被称为是卷积核。同时，卷积核也被称为滤波器。

卷积的更加详细生动的解释：https://www.cnblogs.com/sevenyuan/p/7810755.html

这个作用之后得到的结果就被称为特征图（意思是在输出在空间维度上某一级的表征）影响元素x的前向计算的所有可能输入区域（可能大于输入的实际尺寸）叫做x的感受野（receptive field）。顾名思义，就是感受+域，就是你处理完了之后得到的一个像素x，可能是由处理前的四个像素得到的，那我们就说这个像素x感受了那四个像素。那四个像素就是x的感受野。

2.卷积核与互相关

再计算卷积的过程中需要做卷积核翻转，为了减少开销，我们一般会用互相关运算来代替卷积运算。

互相关和卷积的区别在于卷积核仅仅是否进行翻转。因此互相关也可以称为不翻转卷积。

插一句不重要的话，在我们做深度学习的过程中，卷积核都是训练出来的，我就在想，给定输入和输出，训练出这种变化的卷积核，然后再对待变化的图进行这样的卷积核的处理。

3.填充和步幅

这两都是模型训练中的超参数。填充就是padding，就前端里的那个padding，方便卷积核对边界元素进行处理。步幅就是那个卷积核不是要在原图像上面滑动嘛，然后每次滑动的格子数。然后这两个参数可以使得输入和输出具有相同的高和宽。

4. 多输入通道和多输出通道