对于卷积层得新的理解

卷积层得参数：

in * kernelw * kernel *c:

可以理解为全连接，我们可以把一个饼状图当做一个节点，

如果把一个饼，也就是一个kernel*kernel(例：2*2)当做一个节点，那么这个参数层也就是  in * 1 * out

那么这个所谓的in * 1 *out 不就是全连接里面的w吗！w的参数刚好就是前面的节点乘后面的节点的个数!

 

继续理解，那么每个

总共20个channel

img1(w*h*1(此处的1可以表示为channel为1)),img2(w*h*1)，img3(w*h*1)...img20

这是输入层

参数就是

kernel(k*k)        

kernel(k*k)

.

.

.

总共20层

 

此时如果输出是30个channel

那么这个参数量就是20*k*k*30,所以，其实就是全连接，只不过每个点变成了每个feature,每个w从一个值变成了一个kernel*kernel

这样做的目的和好处：以前一个featutemap可能是10*10的点，那么对应的可能就是100个参数，现在一个2*2就能行，大大节省了参数，但是说实话，表达效果肯定不如全连接，只是参数变少了很多

然后这么做的可行性，

其实滑动就是对比：怎么理解

还有就是一个channel就是一个特征，可以类似全连接，即上一层所有特征都只生产新的一个特征，这就是新的一个通道，怎么加工？