基础知识略。

卷积是一种旨在提取特征的向量计算。

通过将卷积核移动到输入数据上，进行对应位置的加权求和，得到一个数字，并通过移动覆盖全输入图像，多个数字组成的矩阵即为卷积结果；

卷积结果的矩阵的物理含义：矩阵中的每一个元素为输入图像的某位置与卷积核的相似程度。数字越大，相似程度越大，特征越匹配。原因是卷积过程即为向量相乘过程，由于向量的相似性，当其夹角越小时（即越相似），相乘结果越大；

在每个通道上，卷积结果矩阵的尺寸计算公式为（输入尺寸-卷积核尺寸+填充的尺寸）/步长+1；（画图理解下）

一个卷积核能够提取一个特征；

每个多通道的卷积核都有在与输入数据的对应通道计算完后，有求和的操作，将多通道结果求和，使得通道数归1。

一个1*1卷积核的魅力在于能够压缩输入的通道，使其变成2维。

原因是卷积的两个特点：①卷积核的通道数等于输入数据的通道数。（这样才能让每个通道的输入数据分别有卷积核的一个通道去对应做计算。）②卷积结果的输出通道数取决于卷积核的个数。原因如下：每个卷积核的计算结果（通道数为1的2维矩阵）将会concat，组成多维输出结果。