[mcj]CNN中卷积核的卷积方式详解|CNN中卷积核是如何进行卷积的？

开局先祭出一张大神图：

比如我们有一张5*5*3的图作为输入，卷积核的尺寸为3*3，则卷积核的输入深度为3，这里的3对应着输入的3通道，卷积核的数量为2，则卷积核的参数应为：(3*3*3)*2。

卷积过程为，首先因为输入图像有3层，所以卷积核也有3层，这三层卷积核分别对应输入图像的每一层，然后卷的时候这三层同时卷积，卷完之后将得到的三层feature map直接相加为一层，这就是一个卷积核所做的事情。由于我们卷积核的数量为2，所以会再次进行这个操作，又得到一层，这样经过两个卷积核卷积之后，会得到两个feature map图，即输入5*5*3，stride=2，输出为3*3*2，不过一般我们会选择卷积的数量为2^n个，比如64、128个，如果是这样的话，最后会得到我们常见的3*3*64/128了。

更直观一点的图：

关于卷积层尺寸的计算原理：以下转自：知乎

• 输入矩阵格式：四个维度，依次为：样本数、图像高度、图像宽度、图像通道数
• 输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。
• 权重矩阵（卷积核）格式：同样是四个维度，但维度的含义与上面两者都不同，为：卷积核高度、卷积核宽度、输入通道数、输出通道数（卷积核个数）
• 输入矩阵、权重矩阵、输出矩阵这三者之间的相互决定关系
  • 卷积核的输入通道数（in depth）由输入矩阵的通道数所决定。（红色标注）
  • 输出矩阵的通道数（out depth）由卷积核的输出通道数所决定。（绿色标注）
  • 输出矩阵的高度和宽度（height, width）这两个维度的尺寸由输入矩阵、卷积核、扫描方式所共同决定。计算公式如下。（蓝色标注）