1. 卷積層（Convolution Layer）：由若干個卷積核f（filter）和偏移值b組成，（這里的卷積核相當于權值矩陣），卷積核與輸入圖片進行點積和累加可以得到一張feature map。

卷積層的特征：

（1）網絡局部連接：卷積核每一次僅作用于圖片的局部

（2）卷積核權值共享：一個卷積層可以有多個不同的卷積核，每一個filter在與輸入矩陣進行點積操作的過程中，其權值是固定不變的。

2. 卷積核（filter）：用于提取圖片的局部特征，不同的卷積核提取圖片特征的效果不同。

感受野：卷積核的大小 / 范圍，卷積核所能感知的區域

一個卷積層可以有若干個卷積核，卷積核的通道數=輸入圖片的通道數，每一個卷積核的通道與圖片的對應通道進行點積+累加的操作，可以得到1個featrue map，假設有3個通道，那么可以得到3個featrue map，然后把這3個feature map對應的位置相加，即可得到1張featrue map，得到的這一張就是該卷積核與圖片進行卷積操作的feature map。一般圖片有3個通道，red、green、bule，然后卷積核的通道數為3，分別對應r、g、b，然后這對應的三個通道分別點積+累加，得到3個feature map，最后再把這3張feature ma相加，然后再加上偏移值b，就可以得到1張feature map。

3. 卷積層的運行：

①輸入：輸入是一張圖片，圖片：寬w，高h，通道數c，由c個w列h行的矩陣構成。輸入矩陣的通道數=卷積核的通道數

②計算：根據padding（填充）、stride（步長），從圖片的左上角開始，假設有3個通道，卷積核的對應通道與輸入圖片的對應通道進行點積和累加的操作，得到1張feature map，然后把3張feature map的對應位置和偏移矩陣b的對應位置相加，即可得到該卷積核對應的feature map。有多少個卷積核，就有多少個featrue map。n個卷積核經過卷積計算，得到n張featrue map。即，1張feature map中的每一個元素，是由對應的filter的不同維度的矩陣，作用于相應維度輸入矩陣的不同位置，進行點積運算和累加，再加上偏移量bias的結果。

③輸出：有n個卷積核，輸出n張feature map，也就是n個矩陣

△padding：填充，在輸入矩陣的四周補0

n=5，padding=1：

△stride：步長，進行卷積運算時，filter在輸入矩陣上移動，進行點積運算，移動的步長

n=5，stride=2：

輸入矩陣：32*32*3；卷積核：5*5*3

有6個卷積核，就有6個feature map

4. 卷積層輸出矩陣的維度：

①通道數= 卷積核的個數 ：k個卷積核有k個feature map，輸出矩陣的通道數 / 深度為k

②高度 / 寬度= （圖片的高度or寬度 + 2*padding - 卷積核的高度or寬度）/ 步長 +1

一般圖片的高度寬度是一樣的，卷積核的高度寬度也是一樣的，設圖片的高度/寬度=n，卷積核的高度/寬度=f，填充padding，步長s：

h_new or w_new =（N + 2 * padding - f）/ s +1

padding=0的情況

輸入：32*32*3 卷積核個數：10 卷積核：5*5*3 pading=2 stride=1

常見的設置值：

5. 代碼：

輸入 x：[batch, height, width, in_channel]
權重 w：[height, width, in_channel, out_channel]
輸出 y：[batch, height, width, out_channel]

def conv_layer(x, out_channel, k_size, stride, padding):
    in_channel = x.shape[3].value
    w = tf.Variable(tf.truncated_normal([k_size, k_size, in_channel, out_channel], mean=0, stddev=stddev))
    b = tf.Variable(tf.zeros(out_channel))
    y = tf.nn.conv2d(x, filter=w, strides=[1, stride, stride, 1], padding=padding)
    y = tf.nn.bias_add(y, b)
    y = tf.nn.relu(y)
    return x

參考：

https://blog.csdn.net/dcrmg/article/details/79652487

https://blog.csdn.net/kingroc/article/details/88192878

總結

以上是生活随笔為你收集整理的Convolution Layer：卷积层的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。