本站原创文章，转载请说明来自《老饼讲解-深度学习》www.bbbdata.com
卷积计算是CNN中最基本的计算，它是卷积层最重要的组成部分，
本文讲解CNN的卷积计算，包括基础卷积计算、多通道卷积计算以及pytorch中的卷积计算
通过本文，可以较详细地了解CNN的卷积计算的意义以及卷积的具体计算过程
本节介绍CNN基础卷积的计算与意义
CNN的基础卷积计算
卷积层是卷积神经网络中最基础的层，基础卷积的计算就是通过一个卷积核对输入进行卷积计算
一个卷积计算结果示例如下：
上述卷积结果的具体计算过程如下：
卷积层中的卷积核就是一个矩阵，直观来看它就是一个窗口，卷积窗口一般为正方形，即长宽一致，
卷积运算通过从左到右，从上往下移动卷积核窗口，将窗口覆盖的每一小块输入进行加权，作为输出
卷积层的意义
卷积层的生物意义
卷积核在生物上的意义就相当于动物的眼睛(接受器)，
卷积核的大小就相当于眼睛的视野范围(接受野)，卷积核的权重就相当于眼睛每一处的接收权重
由于视野有限，所以需要通过逐步移动来查看所有内容，其中眼睛移动的步幅就是卷积的步幅
卷积层的数学意义
卷积层的数学意义就是将每个像素整合周边的信息，使得像素之间产生信息共享
其中，卷积核的大小就是信息共享的范围，卷积核的权重就是信息共享的权重
对于一个单独的像素，经过多层卷积，它的信息将不断扩散到更大的范围中去
如果卷积的步幅为1，则输出时不发生降维，此时相当于纯粹地将输入图像的信息进行共享
如果卷积的步幅>1，则输出会发生降维，此时相当于信息共享的同时，进行采样降维
一般卷积层的步幅都为1，即只负责信息的共享，降维则由池化层等降维功能层来更"专业"地负责
本节讲解CNN中的多输入通道与多输出通道卷积
卷积的输入输出通道
多输入通道卷积
卷积计算支持多通道的输入，当输入为k个通道的时，卷积核为3维矩阵，第3维与输入通道保持一致
多输出通道卷积
卷积计算也支持多通道输出，需要输出多少个通道，就使用多少个卷积核就可以了
本节讲解卷积的常见参数与在pytorch中如何实现CNN的卷积
卷积的常用参数
下面介绍卷积中常用的一些参数，可以通过这些参数的意义来了解卷积的相关拓展
卷积的参数
卷积层一般可以设置如下的参数：
👉卷积核的大小：卷积窗口的大小，一般设为正方形，即长宽一致
👉卷积核的通道数：卷积核的通道数必须与输入的通道数一致
👉卷积核个数：卷积核的个数就是输出的通道数
👉步幅：窗口移动的步长，一般设为1
👉填充像素：卷积计算前，对输入的上下左右的填充像素
👉是否带阈值：如果带阈值，则卷积结果需要再加上一个阈值参数
卷积核与阈值都是模型的待训练参数
pytorch中卷积计算例子
pytorch中使用torch.nn.Conv2d函数来实现卷积的计算
以上述卷积为例，在pytorch中可以如下实现：
import torch
X = torch.tensor([[[[1,3,1,2],[2,6,8,5],[4,2,1,0]]]], dtype=torch.float32) # 输入数据
c = torch.nn.Conv2d(1, 1, kernel_size=(2,2),bias = False) # 初始化卷积类
c.weight.data =torch.tensor([[[[1,2],[2,0]]]], dtype=torch.float32) # 设置权重
out = c(X) # 对输入进行卷积计算
#-------------打印结果-----------------------
print('输入数据:',X)
print('卷积核:',c.weight.data)
print('卷积结果:',out)运行结果如下：
好了，以上就是CNN的卷积计算的全部内容了~
End
