2.1什么是分组卷积在解释分组卷积之前，我们用一张图来体验一下一般的卷积操作。在卷积神经网络中，每个卷积层由若干个卷积单元组成，每个卷积单元的参数通过反向传播算法进行优化，如果把参与卷积的函数看作区间指示函数，卷积也可以看作是“移动平均”的推广，从上图可以看出，一般卷积会对整个输入数据做卷积操作，即输入数据:h1×w1×C1；；卷积核的大小是h1×w1，总共有C2，那么卷积得到的输出数据就是H2×W2×C2。
上图的计算过程是这样的:首先我们可以把右边的卷积，可以叫做滤波器或者内核，覆盖到左边的第一个区域，然后按照对应的位置分别乘加，3 * 11 * 12 * 10 * 00 * 01 *(1)8 *(1)2 *(1)5；按照上面的计算方法，逐渐向右移动一个步长(步长可以设置为1，2，...)，然后向下移动，逐步计算对应的值，得到最终值。
包卷积最早出现在AlexNet中。由于当时硬件资源有限，在训练AlexNet时，卷积操作无法全部在同一个GPU中处理，所以作者将featuremaps分布到多个GPU中进行处理，最后融合多个GPU的结果。2.1什么是分组卷积在解释分组卷积之前，我们用一张图来体验一下一般的卷积操作。从上图可以看出，一般卷积会对整个输入数据做卷积操作，即输入数据:h1×w1×C1；；卷积核的大小是h1×w1，总共有C2，那么卷积得到的输出数据就是H2×W2×C2。
主要是这个过程是一气呵成的，对存储器的容量提出了更高的要求。但是包卷积显然没有那么多参数。先用图片直观感受分组卷积的过程。对于上面提到的同一个问题，包卷积如下图所示。可以看出，输入数据分为两组(组数为g)。需要注意的是，这种分组只是深度上的划分，也就是将一些通道分组为一组，这个具体的数目由(C1/克)决定。
3、★tensorflow中“卷积”的深度解析(1)单个独立卷积核的通道数输入图像的通道数(由输入图像决定)；(2)独立卷积核的数量和输出图像的通道数量(由用户确定)。在描述卷积核时，必须明确“卷积核的通道数”这个概念是指“单个独立卷积核的通道数”还是独立卷积核的数目(输出通道数)。举例:如果输入图像的尺度为32×32×128，即输入通道数为128；那么根据前面的(1)，单个卷积核的通道数也是128，即卷积核的大小应该是:n×n×128(n通常是3、5、7等。).
4、卷积神经网络包括哪几层视觉卷积层的基础知识如果我们设计六个卷积核，可以理解为我们认为这张图像上有六个底层纹理图案，也就是说我们可以用六个基本图案来绘制一幅图像。卷积层的作用是提取局部区域的特征。ConvolutionalNeuralNetwork (CNN或ConvNet)是一种深度前馈神经网络，具有局部连接和权重共享的特点。
在卷积神经网络中，每个卷积层由若干个卷积单元组成，每个卷积单元的参数通过反向传播算法进行优化。卷积神经网络中卷积层之间的连接称为稀疏连接(sparseconnection)，即与前馈神经网络中的全连接相比，卷积层中的神经元只与其相邻层中的一部分相连，而不是全部神经元。卷积神经网络是一种包含卷积计算、具有深层结构的前馈神经网络。是深度学习的代表性算法之一。
5、初识卷积神经网络根据上面描述的神经网络，如果处理一张图片，参数有多大？假设图像的大小为1200*1200，下一层神经元的数量为10 ^ 5，则不难得到1200 * 1200 * 10 51.44 * 10 ^ 12的参数。可以看出，一层的参数数量非常多。如果增加更多的层数，参数的个数就要超出内存的容忍范围，从研究和工程的角度来说是不允许的。而且参数太多，容易导致过拟合。
经过研究，从稀疏连接、参数共享、平移不变性三个方面进行了改进。可能有些人不理解这种稀疏连接是怎么实现的。先说卷积操作吧。以一个二维矩阵作为输入(可以看作是单通道图片的像素值)，卷积造成稀疏连接的根本原因是这个块的核函数，一般核函数的大小比输入小很多。以下图例:卷积操作可视为滑动窗口法。首先输入维度为4×4，输入的红色部分乘以核函数中的元素，就是输出左上角的元素值s1。
6、卷积的理解卷积:实际上是通过两个函数F和G生成第三个函数的数学算子，代表函数F和G翻转平移后重叠部分的面积。如果把参与卷积的函数看作区间指示函数，卷积也可以看作是“移动平均”的推广。举例说明两个方波脉冲的卷积。其中函数g首先反射τ0，然后平移t成为g(tτ)。那么重叠部分的面积就相当于t处的卷积，这里横坐标代表要积分的变量τ和新函数f * g的自变量t。
显示了方波脉冲波和指数衰减脉冲波(后者可能出现在RC电路中)的卷积。同样，重叠面积相当于t处的卷积，注意，因为G是对称的，所以在这两张图中，反射不改变形状，卷积是分析数学中的一个重要运算。设f (x)和g (x)是r上的两个可积函数，做一个积分:可以证明上述积分几乎都存在，这样，随着x的不同取值，这个积分定义了一个新的函数h(x)，这个函数叫做函数F和G的卷积，并且记载了我们很容易验证，它仍然是一个可积函数。
