卷積核的空間是對稱的。如果存在乙個卷積核a,那麼一定存在另外乙個卷積核b,使得b的轉置就是a.
大部分卷積核是奇數的，為啥？
奇數相對於偶數，有中心點，對邊沿、對線條更加敏感，可以更有效的提取邊沿資訊。
偶數也可以使用，但是效率比奇數低。在數以萬計或億計的計算過程中，每個卷積核差一點，累計的效率就會差很多。
個人覺得，卷積核選用奇數還是偶數與使用的padding方式有關。當進行valid或使用full 時，選用奇數還是偶數的差別並不是很大。但是，若使用的是same時就不一樣了。當在乙個寬度為m的輸入維度(張量維)上使用寬度為k的卷積核時，same 需要補k-1個0。如果k為奇數的話，補的這k-1個0可以在兩側對稱分布，如果是偶數則不然。
卷積核的格式
例如：乙個(3,3,64,32)的卷積核意思是：卷積核高度、卷積核寬度、輸入通道數、輸出通道數
具體意思是：32個64通道數的3*3的卷積核和輸入進行卷積 輸出32個卷積結果。
什麼是卷積？
解析 對影象 不同的資料視窗資料 和濾波矩陣 一組固定的權重 因為每個神經元的多個權重固定，所以又可以看做乙個恆定的濾波器filter 做內積 逐個元素相乘再求和 的操作就是所謂的 卷積 操作，也是卷積神經網路的名字 非嚴格意義上來講，下圖中紅框框起來的部分便可以理解為乙個濾波器，即帶著一組固定權重...
什麼是卷積？
解析 對影象 不同的資料視窗資料 和濾波矩陣 一組固定的權重 因為每個神經元的多個權重固定，所以又可以看做乙個恆定的濾波器filter 做內積 逐個元素相乘再求和 的操作就是所謂的 卷積 操作，也是卷積神經網路的名字 非嚴格意義上來講，下圖中紅框框起來的部分便可以理解為乙個濾波器，即帶著一組固定權重...
什麼是卷積
在影象處理和神經網路中經常出現的乙個詞，卷積核 那到底什麼是卷積呢？卷積為什麼可以提取特徵或者檢測邊緣呢？我們一步一步慢慢看。首先，如圖，卷積對於離散的點來說就是兩個矩陣對應位置相乘再相加的和 也就是說卷積只是數學中的乙個叫法，並不是什麼高深語言 那為什卷積能夠提取特徵呢？先看模板的理解 乙個數學上...