深度学习入门2

神经网络中的卷积计算

对于一张输入图片， 将其转化为矩阵， 矩阵的元素为对应的像素值。 假设有一个 $5\times 5$ 的图像，使用一个 $3\times 3$ 的卷积核进行卷积，可得到一个 $3\times 3$ 的特征图。卷积核也称为滤波器(Filter)。

具体的操作过程如下图所示：

黄色的区域表示卷积核在输入矩阵中滑动， 每滑动到一个位置，将对应数字相乘并求和,，得到一个特征图矩阵的元素。注意卷积核每次滑动一个单位，滑动的幅度可以根据需要进行调整。如果滑动步幅大于 1， 则卷积核有可能无法恰好滑到边缘， 针对这种情况， 可在矩阵最外层补零，如下图所示：

补零层称为 Zero Padding，是一个可以设置的超参数，但要根据卷积核的大小、 步幅和输入矩阵的大小进行调整，以使得卷积核恰好滑动到边缘。
一般情况下，输入的图片矩阵以及后面的卷积核，特征图矩阵都是方阵，这里设输入矩阵大小为$w$，卷积核大小为 k k