关于卷积计算的理解

很不错的几篇文章：

卷积运算
https://www.cnblogs.com/sevenyuan/p/7810755.html

卷积算子的计算方法(卷积的运算)
https://blog.csdn.net/ccblogger/article/details/59123520

卷积到底是如何操作的？1x1卷积？参数如何计算？
https://blog.csdn.net/Tomxiaodai/article/details/81835238

 

卷积神经网络CNN总结

https://www.cnblogs.com/skyfsm/p/6790245.html

多通道图像卷积 = 总和【{图像每一层通道 点乘 卷积核对应通道(层)(旋转180度)}求和+偏置】

矩阵F与矩阵G的卷积计算，即为：{矩阵F 点乘 矩阵G(旋转180)}求和

例如：

矩阵F
1 2 3
4 5 6
7 8 9

矩阵G
1 2 3
4 5 6
7 8 9

卷积结果：(1*9 + 2*8 + 3*7 + 4*6 + 5*5 + 6*4 + 7*3 + 8*2 + 9*1)


所以：
1，卷积核的通道数不用声明，它等于输入的通道数。
2，卷积核所含属性：卷积尺寸（宽高）+ 通道数。
3，多通道图像每一次经过卷积核计算卷积后的结果值为1个数字。卷积核移动并全部计算完为一个二位矩阵。
4，卷积核个数，即为最终特征图featureMap个数。即卷积后结果的第三维值。




例如：
RGB尺寸28*28的图像shape为：28*28*3，以5*5卷积核尺寸，生成10层特征图，含填充0，则：
1）每个卷积核的shape为：5*5*3；
2）卷积后shape为：24*24*10
3）卷积的过程，即为强化特征的过程。