【关于神经网络的学习】

【参考】：卷积核filter和kernal的区别 - 一杯明月 - 博客园 (cnblogs.com)

【参考】：(1条消息) 卷积神经网络的卷积核（kernel）、输入尺寸（input）、步长（stride）、填充（padding）关系_MAR-Sky的博客-CSDN博客_padding stride 卷积核

卷积使用“kernel”从输入图像中提取某些“特征”。kernel是一个矩阵，可在图像上滑动并与输入相乘，从而以某种我们期望的方式增强输出

kernel是权重矩阵，将权重矩阵与输入相乘以提取相关特征。卷积名称就是kernel矩阵的维数。例如，2D卷积的kernel矩阵就是2D矩阵。

但是，filter是多个kernel的串联，每个kernel分配给输入的特定通道。filter总是比kernel大一维。例如，在2D卷积中，filter是3D矩阵（本质上是2D矩阵（即kernel）的串联）。因此，对于具有kernel尺寸h * w和输入通道k的CNN层，filter尺寸为k * h * w。

一个普通的卷积层实际上由多个这样的filter组成。为了简化下面的讨论，除非另有说明，否则假定仅存在一个filter，因为所有filter都会重复相同的操作。

卷积核（kernel）：用于对输入图像进行共享权值的遍历；如果将图像每一个图像的每一个像素作为卷积输入层的元素，那么卷积核就相当与每个输入的权值，且有卷积核大小的一组输入使用同一组权值。例如，一个图像是99大小，卷积核是33；则输入是81个，共享权值是9个一组。
步长（stride）：卷积核是在图片上移动后遍历每一个像素，每次移动的大小就是步长stride
填充（padding）：是为了满足输出的图像的维度要求，最终图像的输出宽度会=原来输出宽度+2padding，因为是周围填充

字符含义：i：输入的宽度，k:卷积核的宽度，p：单边填充宽度，o：输出宽度，s：步长
 

padding：在输入特征图的每一边添加一定数目的行列，使得输出和输入的特征图的尺寸相同。

为什么要设置padding：

如果没有padding，每次进行卷积后，原始图像的尺寸就会越来越小，所以没有办法设计层数足够多的深度神经网络。
希望每个输入特征图的每一块都能作为卷积窗口的中心，防止丢失图像边缘信息。

卷积核尺寸通常选择奇数的原因：

padding=（size_filter−1​）/ 2

channel通道
在只有一个通道的情况下，“卷积核”就相当于“filter”，这两个概念是可以互换的。但在一般情况下，它们是两个完全不同的概念。每个“filter”实际上恰好是“卷积核”的一个集合，在当前层，每个通道都对应一个卷积核，且这个卷积核是独一无二的。

卷积过程中，输入层有多少个通道，filter就有多少个通道。

即：某一层filter的通道数 = 上一层特征图的通道数。

一般的图像都是三通道的，所以卷积核也应该为三个通道。比如对于32x32x3的图像，使用一个5x5x3的卷积核，最终会得到一个28x28x1的特征图。

但是filter的数量任意的，filter的数量决定了卷积后特征图的数量。

即：某一层输出特征图的通道数 = 当前层filter的个数

【【参考学习】】：(1条消息) CNN卷积神经网络中的stride、padding、channel以及特征图尺寸的计算_算了没办法的博客-CSDN博客_神经网络stride 

例：一个尺寸 a*a 的特征图，经过 b*b 的卷积层，步幅（stride）=c，填充（padding）=d，请计算出输出的特征图尺寸？
 

 例：输入4*4，卷积核3*3，stride = 1，padding = 0
              
              输出尺寸 = (4-3+0)/1 + 1 = 2

后面用到再补充学习！！！