神经网络之卷积计算

卷积通常是采用卷积核与输入进行计算，得到一个输出，我们将这个输出叫做特征响应图组。卷积层输入不局限于图像，可以是任意三维数据矩阵。

卷积层的四个超参数：卷积核尺寸kernel_size、卷积步长stride、零填充数量padding、卷积核个数。

卷积核的参数包括宽度w、长度h、深度d、个数、步长stride、边界填充padding。

一般卷积核的长度和宽度是一样的，被写作kernel_size。

而卷积核深度通常不被关心，因为它时刻与输入的三维数组也就是图片的深度保持一致，而输出的特征响应图的深度是由卷积核个数决定的。

卷积核个数=输出的特征响应图组的深度。

当padding=0时，输出尺寸=(输入尺寸 - kernel_size ) / stride + 1。

当padding≠0时，输出尺寸=(输入尺寸 - kernel_size + 2 * padding ) / stride + 1。

值得注意的是，padding是指零填充的数量，而不是指填充的数字。