[cv] 卷积层conv

参考：https://liuxiaofei.com.cn/blog/tensorflow-conv2d%E5%92%8Cmaxpool2d%E5%8E%9F%E7%90%86/
参考：https://blog.youkuaiyun.com/quiet_girl/article/details/84579038

1、单个输入通道：

2、多个输入通道

若输入含有多个通道，则对于某个卷积核，分别对每个通道求feature map后将对应位置相加得到最终的feature map，如下图所示：

3.多个卷积核

若有多个卷积核，则对应多个feature map，也就是下一个输入层有多个通道。如下图所示：

4、步数的大小

上述展示的步长为1的情况，若步长为2，则滑动窗口每2步产生一个，如下图所示：

输入大小为 5 ∗ 5 55 5∗5，卷积核的大小为 3 ∗ 3 33 3∗3，第一个滑动窗口为红色部分，第二个滑动窗口为绿色部分，第三个滑动窗口为紫色部分，第四个滑动窗口为蓝色部分，所以最后的feature map的大小为 2 ∗ 2 2*2 2∗2。

5、三种模式：Full，Same和Valid

Full模式：第一个窗口只包含1个输入的元素，即从卷积核（fileter）和输入刚相交开始做卷积。没有元素的部分做补0操作。
Valid模式：卷积核和输入完全相交开始做卷积，这种模式不需要补0。
Same模式：当卷积核的中心C和输入开始相交时做卷积。没有元素的部分做补0操作。

6、Full，Same和Valid下的feature map的大小

7、卷积特点

（1）局部视野
卷积操作在运算的过程中，一次只考虑一个窗口的大小，因此其具有局部视野的特点，局部性主要体现在窗口的卷积核的大小。
（2）参数减少
比如，在上述输入为 5 ∗ 5 55 5∗5，卷积核为 3 ∗ 3 33 3∗3，输出为 3 ∗ 3 33 3∗3的例子中，如果是使用NN，则其参数个数为 ( 5 ∗ 5 ) ∗ ( 3 ∗ 3 ) (55)(33) (5∗5)∗(3∗3)。而在CNN中，其参数个数为卷积核的大小 3 ∗ 3 33 3∗3。
这只是简单的情况，若输入非常大，卷积核通常不是很大，此时参数量的差距将会非常明显。
（3）权重共享
从上面的讲解可以看到，对一个输入为 5 ∗ 5 55 5∗5，卷积核为 3 ∗ 3 3*3 3∗3的情况下，对于每一个滑动窗口，使用的都是同一个卷积核，所以其参数共享。
（4）多卷积核能捕捉全局特征
多个卷积核可以发现不同角度的特征，多个卷积层可以捕捉更全局的特征（处于卷积网络更深的层或者能够的单元，他们的接受域要比处在浅层的单元的接受域更大）。