卷积操作(原理与实现)与Max pooling实现

前言

关于卷积部分我自己了解的不少，这里我只记录不常见的知识。

矩阵快速卷积

简介：卷积操作是在图像中通过滑动窗口，逐像素进行矩阵计算，会消耗大量的计算资源去寻址和修改内存数据，因此最终的卷积操作并不是可我们认为的滑动窗口执行卷积操作，而是采用转为矩阵的方式进行快速计算，矩阵操作能在计算机中快速运算并且方便移植到GPU中，在实际生产环境中可以通过两步来完成卷积操作:

(1) 使用Image to column(Im2col)算法把输入图像和卷积核转换为规定的矩阵排列方式。
(2) 使用GEMM算法对转换后的两个矩阵进行相乘，得到卷积结果。
一般矩阵乘法(General Matrix Matrix Multiply, GEMM)将由卷积核产生的过滤矩阵乘以原图产生的特征图矩阵(Feature Matrix)的转置，得到大小为Count x (H x W)的输出特征图矩阵。
$$\begin{array}{rl}featuremap& =FilterMatrix.Feature\cdot Matri{x}^T\\ & =[Count\times (C\times K\times K)]\ast [(C\times K\times K)\times (H\times W)]\\ & =Count\times H\times W\end{array}$$
参数介绍：
C:channel
Count: 卷积核的数量
K:卷积核的宽度或高度
H\W: 卷积核在原图像的列或则行上能滑动几次。
Sample:
I m a g e = [ 3 2 1 0 1 2 3 1 1 ] ⇒ F e a t u r e   M a t r i x = [ 3 2 0 1 2 1 1 2 0 1 1 3 1 2 1 1