深度学习-如何理解卷积神经网络（CNN）中的卷积？

个人微信公众号：AI研习图书馆，欢迎关注~

深度学习知识及资源分享，学习交流，共同进步~

1. 卷积

什么是卷积？

图像中不同数据窗口的数据和卷积核（一个滤波矩阵）作内积的操作叫做卷积。其计算过程又称为滤波（filter)，本质是提取图像不同频段的特征。

2. 卷积核

什么是卷积核？

也称为滤波器filter，带着一组固定权重的神经元，通常是nm二维的矩阵，n和m也是神经元的感受野。nm 矩阵中存的是对感受野中数据处理的系数。一个卷积核的滤波可以用来提取特定的特征（例如可以提取物体轮廓、颜色深浅等）。通过卷积层从原始数据中提取出新的特征的过程又成为feature map(特征映射)。filter_size是指filter的大小，例如3*3； filter_num是指每种filter_size的filter个数，通常是通道个数

3. 卷积层

什么是卷积层？

多个滤波器叠加便成了卷积层。

4. 卷基层参数

一个卷基层有多少个参数？

一个卷积核使用一套权值以便”扫视’数据每一处时以同样的方式抽取特征，最终得到的是一种特征。 在tensorflow定义conv2d时需要指定卷积核的尺寸，本人现在的理解是一个卷积层的多个卷积核使用相同的mn, 只是权重不同。 则一个卷积层的参数总共mn*filter_num个，比全连接少了很多。

5、通道(chennel）

通道(chennel）怎么理解？

通道可以理解为视角、角度。例如同样是提取边界特征的卷积核，可以按照R、G、B三种元素的