CNN 理解神经网络中卷积(大小，通道数，深度)

记录一些之前学习中理解不透彻或者有偏差的知识

首先，对于卷积核（或称为卷积过滤器）的大小，一个卷积核的通道数与它进行卷积的输入必须是相同。

例如：32*32*3的图像的卷积核通道数必须是3,如5*5*3。

在这个卷积核中三层卷积的参数是相同的（对于三个通道而言）。

其次，对于卷积运算，一个卷积核经过计算得到的一定是一个映射，一个数字。

接着，对于卷积核的深度，就是有几个卷积核。下图中就是有五个卷积核，即卷积核的深度是5。

我们在处理一个卷积层时，我们希望用到多种卷积核，因为每一个卷积核都可以从输入中得到一种特殊的模式或概念。所以我们会有一组卷积核。即卷积核与卷积核中的参数是不同的。

在上图中，32*32*3的图像经过5*5*3*5的卷积核得到28*28*5。

卷积的二维上的计算

（原始边长-核边长+2*padding）/步长+1

有填充的情况下，输出与原大小相同。

参考：

斯坦福大学CS231N课程PPT