cnn卷积过程简略概述

假设输入：4通道的featureMap  大小为4*28*28

输出：96通道的featureMap

4通道的featureMap 卷积后变为96个通道的featureMap

需要96个卷积核，每个卷积核的大小为4*kernel_h*kernel_w（卷积核是有深度的，切记！！！）

需要bias 为96个

 

卷积过程：

1、计算卷积后的featureMap大小：

top_n = bottom_n

top_c = num_output

top_h = (bottom_h +2*pad_h-kernel_h)/stride_h+1

top_w = (bottom_w+2*pad_w-kernel_w)/stride_w+1

 

2、计算卷积过程中响应点对应的输入坐标矩阵

offset_h = top_h*stride_h-pad_h

offset_w = top_w*stride_w-pad_w

响应矩阵为：[offset_h:offset_h+kernel_h,offset_w:offset_w+kernel_w]

 

3、卷积计算

把相应点对应的响应矩阵与对应的卷积核分别卷积后，进行相加，再加上对应的bias(切记!!!bias一个响应点输出只加一次)

卷积代码如下：

def __conv(self,bottom_blob,top_blob):
        bottom_n,bottom_c,bottom_h,bottom_w = bottom_blob.shape
        top_n,top_c,top_h,top_w = top_blob.shape
        for t_n in range(top_n):
            for t_c in range(top_c):
                for h in range(top_h):
                    for w in range(top_w):
                        for b_c in range(bottom_c):
                            for row in range(self.__kernel_h):
                                offset_h = self.__stride_h*h-self.__pad_h + row
                                if offset_h < 0 or offset_h >= bottom_h:
                                    continue
                                for col in range(self.__kernel_w):
                                    offset_w = self.__stride_w*w-self.__pad_w+col
                                    if offset_w<0 or offset_w>=bottom_w:
                                        continue
                                    top_blob[t_n][t_c][h][w] += bottom_blob[t_n][b_c][offset_h][offset_w]*self._w[t_c][b_c][row][col]

                        top_blob[t_n][t_c][h][w] += self._b[t_c]