卷积是深度学习中最重要的运算，对于初学者，或者自学者来说，看书看得真是很迷糊。我也是经历了这个阶段，所以在这里分享一下我对卷积的理解，并且附上自己手撸的C++代码。
深度学习的卷积和信号与系统的卷积是截然不同的！
所以学通信的小伙伴千万不要被名词误导了。
01单通道卷积
单通道卷积如上所示，对于一个卷积操作，输入就是待卷积的图像image，卷积核就是filter，得到的最终结果就是featuremap，这些英文的专属名词还是要知道的。
卷积过程就是卷积核在输入图像上滑动计算得到输出，滑动时对应点相乘，然后得到的结果相加，就是输出对应点的值，公式如下所示。
卷积公式02多通道卷积
多通道的卷积是很多人不能理解的地方。
32x32x32的输入图像和3x3x64得kernel卷积，得到的输出为啥会是32x32x64（padding=‘SAME’的情况），怎么计算的呢？
说白了一点不复杂，对于64个3x3的kernel，我编号为k0，k2……k63。
输入图像为32个32x32的图像，我编号为a0，a1……a31。
那么计算的时候就是这样的：
k0和a0卷积，这个过程上面讲过，得到输出b0;以此类推，k0和a0~a31相乘得到b0~b31，那么将b0~b31对应的位置加起来，得到一个32x32的卷积图，我们称为c0;以此类推，将k1~k63分别于a0~a31计算一次，得到c1~c63，加上前面的c0，可不就是一个32x32x64得featuremap。Featuremap意为特征图，这个是专有名词，需要知道哦。
多通道卷积如果文字你明白了的话，上面这幅图，嫌那么多就不要纠结了，能看懂最好了。
03卷积计算C++实现
C++实现卷积这里需要用到Eigen的库，tensorflow也是这么做的。
我将与您分享AI算法面试所需的准备知识。实际上，这不仅限于深度学习和计算机视觉，还包括模型算法原理，模型训练，模型转换优化，模型部署和深度学习框架。此外，还有C++，数据结构和编译底层等。
欢迎大家的