卷积

提取局部区域内的特征

输入（ $h_{in}$ * $w_{in}$ * $f_{in}$ ），卷积核（ $f_{out}$ *h*w* $f_{in}$ ），输出（ $h_{out}$ * $w_{out}$ * $f_{out}$ ）

输出feature 长(宽)的计算： $h_{out} = \frac{h_{in} - h + 2padding}{stride} + 1$

$f_{out}$ 个神经元(滤波器、卷积核)

每个卷积核提取不同的特征，卷积核提取在图像不同位置上的特征。

经激活函数后，池化

激活函数

池化：maxpooling取灰度值最大的像素点（保留最主要的特征），mean pooling 区域内特征的平均值代表这个区域的特征。why make function? 一个区域内的特征可能在另一个区域同样适用，对大的图像，对不同位置的特征进行聚合统计。

卷积核kernel size越大，感受野越大，参数也多

对于1*1的卷积核，稀疏度不宜太高，作用：

反卷积（deconv，transposed conv）

实现信号复原，在全卷积网络(FCN)中，实现上采样。

kernel size固定，padding=0，strid=1，输入经conv 的输出，再经deconv，获得的输出能与输入大小相同。deconv 的输入i，padding 同样的size，单此处不叫padding。

对输入补零，卷积核，先左右翻转，再上下翻转（即转180度），转置后的卷积核与补零的输入卷积，即可得到输出。

或，当卷积操作转换为矩阵操作时，卷积核变卷积矩阵后，转置，再与输入矩阵卷积，即得输出矩阵。

注：no padding：将输入补同样size的0；

对于conv的stride>1时，deconv的输入中间插零个数 = s - 1作为新的输入;

$p^{'} = k - p -1$

$o^{'} = s(i^{'}-1) + k - 2 * p$

eg： conv：i=5，k=3，s=2，p=1，out=3

deconv： i‘=3，k=3，s=1，p=1，out=5