卷积神经网络中的卷积核是如何进行运算的

本笔记为自用总结。

倘若想学习，请参考一下两个链接即可。

卷积运算和运算后特征图大小计算1_胡侃有料的博客-CSDN博客_卷积特征图大小计算

CNN中卷积层的计算细节

---

一张RGB的三通道彩色影像，被numpy或其他模块里的函数读取到网络里后，是三通道的影像。

卷积神经网络中的卷积部分，在模型运行的过程中，不仅会改变影像的长宽，也会改变其深度（也就是通道的数量）。

一张227 x 227 x 3的图像

96个卷积核，每个卷积核的尺寸是11 x 11 x 3，步长为4，padding=0

输出为55 x 55 x 96

---

不论卷积核的数量，首先应当了解的是利用卷积核进行计算的思想：输入图像和卷积核的对应通道进行相乘再相加。且一个卷积核(其通道数和要相乘的图片的通道数是一致的)对应的输出数据只有一个通道！！！

倘若在代码中或文章中，没有注明卷积核本身的通道数，那么默认和输入通道数相同。

上两句一直是我学习过程中的疑惑重点。尤其是卷积核的通道数到底有多少个？为什么相乘了以后的输出就恰好等于卷积核的个数？

以上面的96个11 x 11 x 3卷积核为例，每一个卷积核的通道数都与输入图像的相同，那就是三个通道。然后每个通道与对应的输入图像的通道相乘，得到一个结果，三个通道就是三个结果，这三个结果相加得到一个最终的结果。那么一共96个通道，就会是96个输出。

---

1 x 1 的卷积核

这种卷积核的作用是将输入矩阵的通道数量缩减后输出。

全连接层也可以视作是特殊的卷积

---

卷积核做的，就是与感受野范围内的像素点进行点积（非矩阵乘法）。