卷积过程解释

原文https://www.cnblogs.com/shine-lee/p/9932226.html
https://www.jianshu.com/p/2a0f3a4a9d1d
卷积神经网络之卷积计算、作用与思想 博客：blog.shinelee.me | 博客园 | 优快云卷积运算与相关运算在计算机视觉领域，卷积核、滤波器通常为较小尺寸的矩阵，比如3×33×3

、5×55×5

等，数字图像是相对较大尺寸的2维（多维）矩阵（张量），图像卷积运算与相关运算的关系如下图所示（图片来自链接），其中FF

为滤波器，XX

为图像，OO

为结果。相关是将滤波器在图像上滑动，对应位置相乘求和；卷积则先将滤波器旋转180度（行列均对称翻转），然后使用旋转后的滤波器进行相关运算。两者在计算方式上可以等价，有时为了简化，虽然名义上说是“卷积”，但实际实现时是相关。在二维图像上，使用Sobel Gx滤波器进行卷积如下图所示（图片来自链接），
当输入为多维图像（或者多通道特征图）时，多通道卷积如下图所示（图片来自链接），图中输入图像尺寸为6×66×6

，通道数为3，卷积核有2个，每个尺寸为3×33×3

，通道数为3（与输入图像通道数一致），卷积时，仍是以滑动窗口的形式，从左至右，从上至下，3个通道的对应位置相乘求和，输出结果为2张4×44×4

的特征图。一般地，当输入为m×n×cm×n×c

时，每个卷积核为k×k×ck×k×c

，即每个卷积核的通道数应与输入的通道数相同（因为多通道需同时卷积），输出的特征图数量与卷积核数量一致，这里不再赘述。