卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）針對全連接網(wǎng)絡(luò) 的局限做出了修正，加入了卷積層（Convolution層）和池化層（Pooling 知 層）。

CNN被廣泛應(yīng)用于圖像識別、語音識別等各種場合，在圖像識別的比賽中， 基于深度學(xué)習(xí)的方法幾乎都以CNN為基礎(chǔ)（比如，AlexNet、VGGNet、 Google Inception Net及微軟的ResNet等）上。近幾年深度學(xué)習(xí)大放異彩， CNN功不可沒。

單通道，二維卷積運(yùn)算示例：

如上圖所示，紅色的方框圈中的數(shù)字和卷積核乘積再相加得到輸出數(shù)據(jù)。

單通道，二維，帶偏置的卷積示例：

帶偏置的計算實在上述乘積運(yùn)算之后加上偏置。

帶填充的單通道，二維卷積運(yùn)算示例：

輸出矩陣的大小計算

卷積運(yùn)算輸出矩陣大小計算公式

其中，輸入大小為(H, W)，濾波器大小為(FH, FW)，輸出大小為(OH, OW)，填 充為P，步幅為S。例如：輸入大小（28,31）；填充2；步幅3；濾波器大小 (5,5)，則輸出矩陣大小為：

多通道卷積計算

多通道卷積會按通道進(jìn)行輸入數(shù)據(jù)和濾波器的卷積運(yùn)算，并將結(jié)果相加， 從而得到輸出

多通道、多卷積核卷積計算：

• 每個通道先與第一組卷積核執(zhí)行卷 積，然后多通道結(jié)果疊加，產(chǎn)生一 個輸出
• 每個通道與下一組卷積核執(zhí)行卷積， 產(chǎn)生另一個輸出
• 有多少組卷積核，就有多少個通道 輸出
  

總結(jié)

以上是生活随笔為你收集整理的深度学习-图解卷积运算的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。