深度学习基础篇——卷积

卷积输出尺寸计算(长*宽)：

Tensorflow卷积中Padding有两种方式，一种是same,另一种是valid.
当步长为1的时候，选择same方式，输出和输入size一样，但当步长不唯一时候，输出和输入size则不一样，在csdn上看了不少其他案例，也没有找到步长不为1时候padding具体是如何操作的。

在这篇博客里(Tensorflow卷积中Padding的两种方式)根据源码找到了具体的卷积size计算公式，具体如何padding也没有解释清楚，当然，其他博客也没有解释的很清楚。（案例1在kernel尺寸和input一样的情况下，same模式为什么padding呢？如果是为了保持输入和输出size一致，那为什么案例2不padding至输入和输出size一致呢？）

两种Padding：

• VALID：若不够滑动，则将右下的剩余部分全部舍弃，从原矩阵左上角开始卷积。
  $O=\lceil \frac{I-k+1}{s}\rceil$

• SAME：
  $O=\lceil \frac{I}{s}\rceil$

O:输出大小
p:padding
k:kernel size
s:stride

卷积核是如何让channel变化的

之前没有理解卷积核是如何让channel数量改变的，网上搜索大多数都是直接给结论——输出的channel数量和卷积核数量一样。但不理解为什么是这样。

直到看到这篇教程【CNN】理解卷积神经网络中的通道 channel，才明白了！原来是channel对应相乘后要再相加！所以每个卷积核只能输出1个channel!

如下图，假设现有一个为 6×6×3 的图片样本，使用 3×3×3 的卷积核（filter）进行卷积操作。此时输入图片的 channels 为 3，卷积核中的 in_channels与需要进行卷积操作的数据的 channels 一致（这里就是图片样本，为3）

接下来，进行卷积操作，卷积核的channel与input对应的channel做卷积操作，输出的大小为4*4, （注： （6+0-3）/1 + 1= 4）
三个channel的输出都是4 * 4，然后进行求和，得到第一个结果。上面步骤完成后，由于只有一个卷积核，所以最终得到的结果为 4×4×1 ， out_channels 为 1。
在实际应用中，都会使用多个卷积核。这里如果再加一个卷积核，就会得到 4×4×2 的结果。