深度学习修炼----卷积学习（持续学习中......）

1.卷积核的尺寸，数量，大小

输入X的格式：[样本数，输入图像通道，图像高，图像宽]

输入 X：[B, In_channel, H__in, W__in]
权重W：[In_channel, Out_channel, kernel_H, kernel_W]
输出 y ：[B, Out_channel,H__out, W__out ]

如下图所示：

  其中Input：Batch=1，In_channel=3，H=8，W=8
Kernels：…In_channel=3，Out_channel=5，Kernel_size=3X3
Feature Maps: Batch=1，Out_channel=5，H=6，W=6
因此：
  卷积核的输入通道数（In_channe）由输入矩阵的通道数所决定。
输出矩阵的通道数（Out_channe）由卷积核输出通道数所决定。
卷积核心数:输入通道数x输出通道数(几组卷积核)x卷积核大小
故上图参数量为：3X5X3X3
输出特征图的计算方式：

CSDN-jk英菲尼迪：卷积核的相关整理

2.组卷积

  pytorch的conv2d函数中groups参数理解：

Conv2d(in_channel, out_channel, kernel_size, stride, pad, groups=1)
这其中group的参数会影响卷积的计算量

例如：
  输入X=[B=1, C=6, H=1, W=1]，conv = Conv2d(6, 4, 1,1,0, groups=1)
那就需要4个1x1x6的卷积核，每个卷积核对输入X进行卷积，得到的输出的通道数为1的数据，其具体过程就是一个1x1x6的卷积核在输入X[1, 6, 1, 1]的每个通道上做卷积，然后把每个通道上的值进行叠加，就变成了单通道，于是4个卷积核就需要（1x1x6)x4个参数
  输入X=[B=1, C=6, H=1, W=1]，conv = Conv2d(6, 4, 1,1,0, groups=2),即将输入分为两组，每组输入x=[B,3,1,1]，对应的卷积核大小为1x1x3，有4/groups=2个，即每组输入得到的输出为[B,2,1,1]，然后将两组输出叠加起来，得到最终输出[B,4,1,1]，于是参数量为：（1x1x3)x2x2个参数。
接下来用图片说明：

3.Depth_wise卷积

对于 Depth_wise Conv：我们将其认为由 Separable Conv 以及 Point-wise Conv两部分组成。
下面由图来进行说明：
普通卷积：

Depth Wise 卷积：
首先是Separable Conv

其次是 Point-wise Conv