MindSpore图片分类之LeNet网络卷积原理

1. 摘要

本系列分享我们将一起理解MindSpore官网中展示的MNIST图片数据集分类项目。此项目中使用的是LeNet卷积神经网络，卷积神经网络(convolutional neural network)是含有卷积层(convolutional layer)的神经网络，卷积神经网络均使用最常见的二维卷积层，经常用于处理图像数据的项目中。在LeNet网络中，可分为卷积模块和全连接输出模块。本次我们将介绍卷积计算的工作原理。

2. 二维互相关运算

首先了解一下卷积核数组在输入数组中的计算方式，虽然卷积层得名于卷积(convolution)运算，但我们通常在卷积层中使用更加直观的互相关(cross-correlation)运算。在二维卷积层中，一个二维输入数组和一个二维核(kernel)数组通过互相关运算输出一个二维数组。

图1：互相关运算

这里我们设置一个高和宽均为3的二维输入数组。我们可以将该数组形状记为3×3。核数组的高和宽分别是2。核数组在卷积计算中又称卷积核或过滤器(filter)。卷积核的高和宽决定卷积核窗口的形状，可以记为2×2。

在二维互相关运算过程中，卷积窗口将会从输入数组的最左上方开始计算，按照从左到右，从上到下的顺序，依次在输入数组区域内滑动，这里默认情况下卷积核移动的步幅是每次一行或一列。当卷积窗口滑动到输入数组的某一位置时，窗口中的输入子数组与核数组按元素相乘并求和，得到输出数组中相应位置的元素。二维互相关运算得出：