1、什麼是卷積：圖像中不同數據窗口的數據和卷積核（一個濾波矩陣）作內積的操作叫做卷積。其計算過程又稱爲濾波（filter)，本質是提取圖像不同頻段的特徵。
2、什麼是卷積核：也稱爲濾波器filter，帶着一組固定權重的神經元，通常是n*m二維的矩陣，n和m也是神經元的感受野（相當於對圖像取的窗口大小，比如一次從128*128的輸入圖像中只取3*3的一個小窗口進行分析）。n*m 矩陣中存的是對感受野中數據處理的係數（W權重）。filter_size是指filter的大小，例如3*3； filter_num是指每種filter_size的filter個數，通常是通道個數
feature map(特徵映射)：原始圖像數據通過卷積核處理可以用來提取特定的特徵（例如可以提取物體輪廓、顏色深淺等表現物體信息的特徵）。通過卷積層從原始數據中提取出特徵的過程又成爲feature map(特徵映射)。即每個卷積核只能提取一種相應的特徵，每個卷積覈對應一個特徵映射，也就是feature map。
3、什麼是卷積層：多個濾波器疊加便成了卷積層。
4、一個卷基層有多少個參數：一個卷積核使用一套權值以便”掃視’數據每一處時以同樣的方式抽取特徵，最終得到的是一種特徵。 在tensorflow定義conv2d時需要指定卷積核的尺寸，本人現在的理解是一個卷積層的多個卷積核使用相同的m*n, 只是權重不同。 則一個卷積層的參數總共m*n*filter_num個，比全連接少了很多。
5、通道(chennel）怎麼理解：一般爲RGB三通道
6、幾個參數:
a. 深度depth：卷積核個數，決定輸出的depth厚度，卷積核尺寸決定輸出長寬。
output（輸出像素）= (input輸入像素 - F卷積核長寬尺寸 + 2*P填充值)/stride卷積核每次移動的步長 +1
比如（7-3）/2 +1=3 ，所以下文中輸出爲3*3矩陣
b. 步長stride：決定移動多少步可以到邊緣。
c. 填充值zero-padding：在外圍邊緣補充若干圈0，方便從初始位置以步長爲單位可以剛好滑倒末尾位置，通俗地講就是爲了總長能被步長整除。
7、計算例子：
解析：圖中input 7*7*3中，7*7代表圖像的像素/長寬，3代表R、G、B 三個顏色通道，可以看到周邊有填充0； 有兩個3*3*3的卷積核Filter w0、Filter w1（3*3代表取的窗口長度*寬度，後面一個*3代表通道個數，RGB三個通道）,每個filter對應每個通道有一組3*3的w權重；一個filter滑動到一個位置後計算三個通道的卷積，求和，加bias，得到這個filter在該位置的最終結果；每個卷積核的輸出是各個通道的彙總；輸出的個數與filter矩陣維數相同。兩個卷積核，最後的output爲3*3*2，其depth=2。窗口每次移動兩個步長取3*3的局部數據，即stride=2。外圍填0部分爲一位，所以zero-padding=1。
1的計算過程：
第一個通道和對應權重的結果：0*1+0*1+0*(-1)+0*(-1)+0*0+1*1+0*(-1)+0*(-1)+1*0 = 1
第二個通道和對應權重的結果：0*(-1)+0*0+0*(-1)+0*0+1*0+1*(-1)+0*1+0*(-1)+2*0 = -1
第三個通道和對應權重的結果：0*0+0*1+0*0+0*1+2*0+0*1+0*0+0*(-1)+0*0 = 0
偏置：1 所以1+（-1）+ 0 + 1 = 1
轉載自https://blog.csdn.net/cheneykl/article/details/79740810