卷积层在深度学习中常用于特征提取与类别预测，包括降低特征尺度并升维，将大尺寸低维度的特征转为低尺寸高维度的特征，通过多个卷积层提取特征，并在最后使用卷积层作为预测层即实现了目标检测或图像识别。
1. 卷积层包含哪些参数，分别有什么作用
卷积层的本质是参数共享的卷积核，参数共享的含义是，在对特征图进行卷积操作时，特征图中的所有像素点进行的卷积计算都使用同一个卷积核的参数（使用卷积核进行滑窗计算）。
卷积核包含哪些参数呢，常用的参数为（in_channel，out_channel，卷积核尺寸，stride，padding）。其中，in_channel，out_channel定义了输入卷积层的特征的通道数，卷积层输出特征的通道数；卷积核尺寸表示卷积核的大小（常见有7×7,3×3,1×1等，现在也有很多超大卷积核尺寸的研究），stride（步长）可用与降尺寸或增加感受野（后续介绍），padding（补0操作）同样用于卷积层输出尺寸设置。
2. 卷积层常用操作与原理
部分图例来自：Convolutional Neural Networks – Basics · Machine Learning Notebook (mlnotebook.github.io)
2.1 卷积层计算方法
最左边为输入，左2为卷积层参数，点乘后求和得到当前位置的卷积结果235。
随后继续进行滑窗，就得到完整的卷积结果：
; 2.2 改变特征尺寸
首先介绍padding的用法，对于图2中的特征，它的尺寸为5×5，当使用3×3的卷积层处理后，输出的特征图变成了3×3。可是如果我们仅仅想使用卷积层提取特征，不想特征的尺寸减小，甚至想增大特征的尺度，应该怎么办呢？padding的作用就在于此。
padding的作用方法就是补0，通过补0来增大原有特征的尺寸，从而保证卷积后的特征尺寸不变或者增大，因为是上下左右补0，padding=1后，特征尺寸由5×5变为7×7，当padding=1时的效果如下：
作用方式还是很简单易懂的。
然后介绍stride的用法，stride就是步长，就是滑动间隔，卷积层的计算方法是滑窗点乘，因此步长对于滑窗的影响还是很易懂的，同样以5×5的特征为例，图2中的卷积操作，步长s=1即无间隔，当s=2时，当卷积窗口移动时需要间隔1格，如下图
这样，当s=2时，卷积层输出的尺度就由3×3变成了2×2。
最后总结，当特征输入尺寸为H×W时，卷积核参数为F(卷积核尺寸），S(stride),P(padding)时，输出特征尺寸为：
除不尽的结果向上取整。
2.3 特征的升降维（in_channel，out_channel）
我们都知道在卷积神经网络，特征的尺寸通常是H×W×C（Channel），那么卷积核是如何实现升降维的呢？
以特征图尺寸为H×W×2为例。
画的图应该挺容易看懂的，就不继续介绍了。
; 3. 什么是感受野及计算
感受野表示为，输出的特征图中的像素点与最开始的输入图像关联的尺寸，以下图为例：
卷积层输出的像素点235，能够感受到3×3的输入值，则感受野为3×3。
对于级联的卷积层，最终的感受野计算与上述一致，计算最后输出的特征中的任一像素点，能够与原图中的N×N的输入点关联，即感受野为N×N。
后续将继续更新全连接层、池化层、激活层、BN层、loss等卷积神经网络原理。介绍原理后对典型的目标检测或实例分割网络进行精读解析。
Original: https://blog.csdn.net/qq_35712178/article/details/126307842
Author: xiaobai0314
Title: 1.卷积层的计算方法与常见用法
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/691383/
转载文章受原作者版权保护。转载请注明原作者出处！