4、卷积神经网络基础：卷积运算的数学定义、卷积核、步长、填充、输出尺寸计算
在深入 TFLite Micro 的 Conv2D 算子实现之前，必须先建立扎实的卷积神经网络（CNN）基础。卷积运算不仅是特征提取的核心数学工具，更是理解内存布局、计算量估算、算子优化策略的前提。本章将系统梳理卷积运算的数学本质、卷积核与特征图的关系、步长与填充的作用机制，以及输出尺寸的精确计算方法。这些概念将直接映射到后续章节中 TFLite Micro 的算子注册、维度推导和内核循环实现中。
4.1 卷积运算的数学定义与本质
卷积神经网络中的"卷积"并非严格意义上的数学卷积（数学卷积需要将核翻转 180°），而是互相关（cross-correlation）运算。在深度学习框架中，我们约定俗成地将其称为卷积，但实际执行的是逐元素乘累加操作。对于输入特征图 \(X\) 和卷积核 \(W\)，在位置 \((i,j)\) 的输出值 \(Y[i,j]\) 定义为：
Y[i,j] = Σ_{m=0}^{K_h-1} Σ_{n=0}^{K_w-1} Σ_{c=0}^{C_in-1} X[i+m, j+n, c] × W[m, n, c] + b其中 \(K_h\) 和 \(K_w\) 是卷积核的高度和宽度，\(C_in\) 是输入通道数，\(b\) 是偏置项。这个公式揭示了卷积运算的三个关键特征：局部连接（每个输出像素只与输入的一个局部窗口相关）、权值共享（同一个卷积核在整个输入上滑动）、通道聚合（所有输入通道的乘累加结果求和）。
从信号处理视角看，卷积核本质上是一个特征检测器。例如，一个 3×3 的 Sobel 边缘检测核可以提取水平边缘，而经过学习的卷积核能够自动发现更复杂的模式。在 MCU 上部署时，卷积核的数值通常来自训练后的量化模型，TFLite Micro 会将这些权重以 int8 或 uint8 格式存储在 Flash 中，运行时直接加载到内存参与计算。
4.2 卷积核：维度、数量与参数共享
卷积核的维度由 输出通道数 \(C_out\) 决定。具体来说，一组卷积核的 shape 为 \([C_out, K_h, K_w, C_in]\)，其中每个输出通道对应一个独立的 \(K_h \times K_w \times C_in\) 三维核。例如，一个标准的 3×3 卷积层，输入 3 通道、输出 8 通道，则卷积核总参数量为 \(8 \times 3 \times 3 \times 3 = 216\) 个权重值加上 8 个偏置。
参数共享是 CNN 高效的关键：无论输入特征图多大，每个输出通道只使用一个卷积核在整个空间维度上滑动。这意味着模型的参数量与输入尺寸无关，只与核尺寸、通道数相关。在 TFLite Micro 中，这种共享特性使得权重存储非常紧凑——一个 8 位量化的 3×3 卷积层，216 个权重仅需 216 字节 Flash 空间。
| 卷积核配置 | 输入通道 | 输出通道 | 核尺寸 | 参数量 | 计算量（单像素） |
|---|---|---|---|---|---|
| 标准 3×3 | 3 | 8 | 3×3 | 216 | 216 次乘加 |
| 深度可分离 | 3 | 8 | 3×3 + 1×1 | 27 + 24 = 51 | 27 + 24 = 51 次乘加 |
| 1×1 卷积 | 16 | 32 | 1×1 | 512 | 512 次乘加 |
上表对比了不同卷积核配置的参数量与计算量。值得注意的是，深度可分离卷积将标准卷积分解为逐通道卷积和逐点卷积，参数量大幅减少，这正是 MobileNet 系列能在 MCU 上运行的关键设计。TFLite Micro 对深度可分离卷积有专门的内核实现，后续章节会详细拆解。
4.3 步长（Stride）与填充（Padding）的作用机制
步长控制卷积核在输入上滑动的间隔。步长为 1 时，卷积核逐像素移动，输出特征图尺寸与输入接近（取决于填充）；步长为 2 时，卷积核每次跳过 1 个像素，输出尺寸约减半，起到下采样作用。在 MCU 场景中，步长 2 常用于替代池化层，减少后续层的计算量。
填充是在输入特征图边缘补零（zero-padding）或复制边缘像素的操作。填充的主要目的有两个：一是控制输出尺寸，避免卷积后特征图快速缩小；二是保留边缘信息，使边缘像素也能被卷积核充分覆盖。TFLite Micro 支持两种填充模式：
- 'valid'（有效填充）：不进行任何填充，输出尺寸严格按公式计算，通常小于输入尺寸。
- 'same'（相同填充）：自动计算填充量，使输出尺寸与输入尺寸相同（当步长为 1 时）。填充量 \(P\) 的计算公式为：\(P = \lfloor K/2 \rfloor\)（对于奇数核）。
在 TFLite Micro 的算子实现中，填充逻辑被编译为固定参数。对于 'same' 模式，框架会在输入张量周围分配额外的内存区域并置零，然后执行卷积。这意味着实际的内存访问范围比输入张量本身略大，开发者需要留意 SRAM 的边界检查。
4.4 输出尺寸计算：公式、推导与边界条件
输出特征图的尺寸由输入尺寸、卷积核尺寸、步长和填充共同决定。通用计算公式为：
H_out = floor((H_in + 2 × P_h - K_h) / S) + 1
W_out = floor((W_in + 2 × P_w - K_w) / S) + 1其中 \(P_h\) 和 \(P_w\) 分别是高度和宽度方向的填充量，\(S\) 是步长（通常高度和宽度方向一致）。这个公式适用于所有标准卷积层，也是 TFLite Micro 在解析 TFLite 模型时计算输出张量 shape 的依据。
实际计算时需要注意几个边界条件：
- 核尺寸与填充的奇偶性：当卷积核为偶数（如 2×2）时，'same' 填充需要不对称分配（上方多补一行或下方多补一行），TFLite 规范中约定优先在左上侧填充。
- 步长大于 1 时的整除问题：如果 \((H_in + 2P - K)\) 不能被 \(S\) 整除，则向下取整，意味着部分边缘像素不会被卷积核覆盖。
- 空洞卷积（Dilated Convolution）：虽然 TFLite Micro 基础版本不支持空洞卷积，但理解其扩展公式（将 \(K\) 替换为 \(K + (K-1) \times (d-1)\)）有助于阅读部分量化模型的转换日志。
4.5 案例拆解：从 TFLite 模型到 MCU 维度推导
假设我们有一个用于关键词唤醒的 CNN 模型，输入为 16 kHz 音频提取的 40 维 MFCC 特征，时间帧数为 20，即输入张量 shape 为 [1, 20, 40, 1]（batch=1, height=20, width=40, channels=1）。第一层卷积配置如下：
- 卷积核：8 个 3×3 核，输入通道 1
- 步长：1
- 填充：'same'
根据公式，\(P = \lfloor 3/2 \rfloor = 1\)，则：
H_out = floor((20 + 2×1 - 3) / 1) + 1 = 20
W_out = floor((40 + 2×1 - 3) / 1) + 1 = 40输出 shape 为 [1, 20, 40, 8]，与输入空间尺寸一致，通道数从 1 扩展到 8。该层参数量为 \(8 \times 3 \times 3 \times 1 = 72\) 个权重，加上 8 个偏置，共 80 个参数。若采用 int8 量化，Flash 占用仅 80 字节。
在 TFLite Micro 中，这个维度推导过程发生在模型加载阶段。框架会调用 Prepare() 函数，根据 TFLite 模型文件中的算子参数（stride、padding、kernel 尺寸）计算输出张量的 shape，并在 TensorArena 中分配对应大小的内存。如果计算错误或内存不足，MCU 上会直接报错并停止推理。
4.6 常见误区与总结复盘
在嵌入式部署场景中，关于卷积基础概念的误区往往会导致严重的性能问题或功能错误。以下是几个高频误区：
- 误区一：混淆互相关与数学卷积。深度学习框架中的卷积不翻转核，因此反向传播时的梯度计算与数学卷积不同。在手动实现算子时，务必按照互相关方式编写循环。
- 误区二：忽略填充对内存的影响。'same' 填充虽然方便，但在 MCU 上意味着输入张量需要额外的边缘补零区域。如果 TensorArena 分配不当，可能导致内存越界访问。
- 误区三：步长与池化层混用。步长 2 的卷积可以替代最大池化，但两者的信息保留方式不同。步长卷积会丢失部分位置信息，而池化保留局部最大值。在量化模型中，步长卷积的量化误差通常比池化更大。
- 误区四：输出尺寸计算时忽略向下取整。当输入尺寸、核尺寸和步长不匹配时，向下取整会导致输出尺寸比预期小 1。这在连续多层卷积后可能累积误差，最终导致全连接层输入维度不匹配。