本筆記為自用總結。
倘若想學習，請參考一下兩個鏈接即可。
卷積運算和運算后特征圖大小計算1_胡侃有料的博客-CSDN博客_卷積特征圖大小計算
一張RGB的三通道彩色影像，被numpy或其他模塊里的函數讀取到網絡里后，是三通道的影像。
卷積神經網絡中的卷積部分，在模型運行的過程中，不僅會改變影像的長寬，也會改變其深度（也就是通道的數量）。
一張227 x 227 x 3的圖像
96個卷積核，每個卷積核的尺寸是11 x 11 x 3，步長為4，padding=0
輸出為55 x 55 x 96
不論卷積核的數量，首先應當了解的是利用卷積核進行計算的思想：輸入圖像和卷積核的對應通道進行相乘再相加。且一個卷積核(其通道數和要相乘的圖片的通道數是一致的)對應的輸出數據只有一個通道！！！
倘若在代碼中或文章中，沒有注明卷積核本身的通道數，那么默認和輸入通道數相同。
上兩句一直是我學習過程中的疑惑重點。尤其是卷積核的通道數到底有多少個？為什么相乘了以后的輸出就恰好等於卷積核的個數？
以上面的96個11 x 11 x 3卷積核為例，每一個卷積核的通道數都與輸入圖像的相同，那就是三個通道。然后每個通道與對應的輸入圖像的通道相乘，得到一個結果，三個通道就是三個結果，這三個結果相加得到一個最終的結果。那么一共96個通道，就會是96個輸出。
1 x 1 的卷積核
這種卷積核的作用是將輸入矩陣的通道數量縮減后輸出。
全連接層也可以視作是特殊的卷積
卷積核做的，就是與感受野范圍內的像素點進行點積（非矩陣乘法）。