神经网络之卷积篇：详解三维卷积（Convolutions over volumes）

详解三维卷积

从一个例子开始，假如说不仅想检测灰度图像的特征，也想检测RGB彩色图像的特征。彩色图像如果是6×6×3，这里的3指的是三个颜色通道，可以把它想象成三个6×6图像的堆叠。为了检测图像的边缘或者其他的特征，不是把它跟原来的3×3的过滤器做卷积，而是跟一个三维的过滤器，它的维度是3×3×3，这样这个过滤器也有三层，对应红绿、蓝三个通道。

给这些起个名字（原图像），这里的第一个6代表图像高度，第二个6代表宽度，这个3代表通道的数目。同样过滤器也有一个高，宽和通道数，并且图像的通道数必须和过滤器的通道数匹配，所以这两个数（紫色方框标记的两个数）必须相等。接下来，就会知道这个卷积操作是如何进行的了，这个的输出会是一个4×4的图像，注意是4×4×1，最后一个数不是3了。

研究下这背后的细节，首先先换一张好看的图片。这个是6×6×3的图像，这个是3×3×3的过滤器，最后一个数字通道数必须和过滤器中的通道数相匹配。为了简化这个3×3×3过滤器的图像，不把它画成3个矩阵的堆叠，而画成这样，一个三维的立方体。

为了计算这个卷积操作的输出，要做的就是把这个3×3×3的过滤器先放到最左上角的位置，这个3×3×3的过滤器有27个数，27个参数就是3的立方。依次取这27个数，然后乘以相应的红绿蓝通道中的数字。先取红色通道的前9个数字，然后是绿色通道，然后再是蓝色通道，乘以左边黄色立方体覆盖的对应的27个数，然后把这些数都加起来，就得到了输出的第一个数字。

如果要计算下一个输出，把这个立方体滑动一个单位，再与这27个数相乘，把它们都加起来，就得到了下一个输出，以此类推。

那么，这个能干什么呢？举个例子，这个过滤器是3×3×3的，如果想检测图像红色通道的边缘，那么可以将第一个过滤器设为\(\begin{bmatrix}1 & 0 & - 1 \\ 1 & 0 & - 1 \\ 1 & 0 & - 1 \\\end{bmatrix}\)，和之前一样，而绿色通道全为0，\(\begin{bmatrix} 0& 0 & 0 \\ 0 &0 & 0 \\ 0 & 0 & 0 \\\end{bmatrix}\)，蓝色也全为0。如果把这三个堆叠在一起形成一个3×3×3的过滤器，那么这就是一个检测垂直边界的过滤器，但只对红色通道有用。

或者如果不关心垂直边界在哪个颜色通道里，那么可以用一个这样的过滤器，\(\begin{bmatrix}1 & 0 & - 1 \\ 1 & 0 & - 1 \\ 1 & 0 & - 1 \\ \end{bmatrix}\)，\(\begin{bmatrix}1 & 0 & - 1 \\ 1 & 0 & - 1 \\ 1 & 0 & - 1 \\ \end{bmatrix}\)，\(\begin{bmatrix}1 & 0 & - 1 \\ 1 & 0 & - 1 \\ 1 & 0 & - 1 \\\end{bmatrix}\)，所有三个通道都是这样。所以通过设置第二个过滤器参数，就有了一个边界检测器，3×3×3的边界检测器，用来检测任意颜色通道里的边界。参数的选择不同，就可以得到不同的特征检测器，所有的都是3×3×3的过滤器。

按照计算机视觉的惯例，当输入有特定的高宽和通道数时，过滤器可以有不同的高，不同的宽，但是必须一样的通道数。理论上，过滤器只关注红色通道，或者只关注绿色或者蓝色通道也是可行的。

再注意一下这个卷积立方体，一个6×6×6的输入图像卷积上一个3×3×3的过滤器，得到一个4×4的二维输出。

现在已经了解了如何对立方体卷积，还有最后一个概念，对建立卷积神经网络至关重要。就是，如果不仅仅想要检测垂直边缘怎么办？如果同时检测垂直边缘和水平边缘，还有45°倾斜的边缘，还有70°倾斜的边缘怎么做？换句话说，如果想同时用多个过滤器怎么办？

让这个6×6×3的图像和这个3×3×3的过滤器卷积，得到4×4的输出。（第一个）这可能是一个垂直边界检测器或者是学习检测其他的特征。第二个过滤器可以用橘色来表示，它可以是一个水平边缘检测器。

所以和第一个过滤器卷积，可以得到第一个4×4的输出，然后卷积第二个过滤器，得到一个不同的4×4的输出。做完卷积，然后把这两个4×4的输出，取第一个把它放到前面，然后取第二个过滤器输出，把它画在这，放到后面。所以把这两个输出堆叠在一起，这样就都得到了一个4×4×2的输出立方体，可以把这个立方体当成，重新画在这，就是一个这样的盒子，所以这就是一个4×4×2的输出立方体。它用6×6×3的图像，然后卷积上这两个不同的3×3的过滤器，得到两个4×4的输出，它们堆叠在一起，形成一个4×4×2的立方体，这里的2的来源于用了两个不同的过滤器。

总结一下维度，如果有一个\(n \times n \times n_{c}\)（通道数）的输入图像，在这个例子中就是6×6×3，这里的\(n_{c}\)就是通道数目，然后卷积上一个\(f×f×n_{c}\)，这个例子中是3×3×3，按照惯例，这个（前一个\(n_{c}\)）和这个（后一个\(n_{c}\)）必须数值相同。然后就得到了\(（n-f+1）×（n-f+1）×n_{c^{'}}\)，这里\(n_{c^{'}}\)其实就是下一层的通道数，它就是用的过滤器的个数，在例子中，那就是4×4×2。写下这个假设时，用的步幅为1，并且没有padding。如果用了不同的步幅或者padding，那么这个\(n-f+1\)数值会变化。

这个对立方体卷积的概念真的很有用，现在可以用它的一小部分直接在三个通道的RGB图像上进行操作。更重要的是，可以检测两个特征，比如垂直和水平边缘或者10个或者128个或者几百个不同的特征，并且输出的通道数会等于要检测的特征数。

对于这里的符号，一直用通道数（\(n_{c}\)）来表示最后一个维度，在文献里大家也把它叫做3维立方体的深度。这两个术语，即通道或者深度，经常被用在文献中。但觉得深度容易让人混淆，因为通常也会说神经网络的深度。所以，在这里会用通道这个术语来表示过滤器的第三个维度的大小。