一 步长
步长是卷积操作的核心。通过步长的变换，可以得到想要的不同类型的卷积操作。先以窄卷积为例，看看它的操作及相关术语。
上图中5*5大小的矩阵代表图片，每个图片右侧的3*3矩阵代表卷积核，最右侧的3*3矩阵为计算完的结果feature map。
卷积操作仍然是将卷积核（filter）对应图片（image）中的矩阵数据一一相乘，再相加。上图中，第一行feature map中的第一个元素，是由image块中前3行3列中的每个元素与filter中对应元素相乘再相加得到的(4=1*1+1*0+1*1+0*0+1*1+1*0+0*1+0*0+1*1)。
步长（stride）表示卷积核在图片上移动的格数。
当步长为1的情况下，上图第二行右边的feature map块里的第二个元素3，是由卷积核计算完第一个元素4，右移一格后计算得到，相当于图片中的前3行第2到第4列围成的3*3矩阵与卷积核各对应元素进行相乘相加操作（3=1*1+1*0+0*1+1*0+1*1+1*0+0*1+1*0+1*1）
当步长为2的情况下，就代表每次移动2个格，最终会得到上图第二行左边的2*2矩阵块的结果。
二 窄卷积
窄卷积（valid卷积）：生成featrue map长比原始图片小，它的步长是可变得。假如滑动步长为S，原始图片的维度为N1*N1，卷积核的大小是N2*N2，卷积后的图像大小为(（N1-N2）/S)*(（N1-N2）/S)
三 同卷积
同卷积（same卷积），代表的意思是卷积后的图片尺寸与原始图片的尺寸一样大.同卷积的步长是固定的，滑动步长为1.一般操作时都要使用padding技术（外围补一圈0，以保证生成的尺寸不变）。
四 多通道的卷积
通道（Channel），是指图片中每个像素由几个数来表示，这几个数一般指的就是色彩。比如一个灰度图的通道就是1，一个彩色图的通道就是3（红、黄、蓝）。前面介绍的都是单通道的卷积计算，那么多通道的卷积计算是什么样的呢？
在卷积神经网络里，通道又分输入通道和输出通道。
输入通道：就是刚才介绍的图片的通道。如果是彩色图片，起始的输入通道就是3。如果是中间层的卷积，输出通道就是上一层的输入通道个数，计算方法是，每个输入通道的图片都是使用同一个卷积核进行卷积操作，生成与输入通道匹配的feature map（比如彩色图片就是3个），然后再把这几张feature map相同位置的值相加，生成一张feature map。
输出通道：想要输出几个feature map，就放几个卷积核，就是几个输出通道。
五 参考
今天的文章卷积操作分享到此就结束了，感谢您的阅读。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/5046.html
