第二节 卷积运算的数学原理

各位同学，今天我们来聊聊卷积运算最核心的数学原理。说实话，很多做硬件加速的同学，一上来就撸代码、搭电路，结果连输入输出尺寸怎么算都搞不清楚。我当年刚入行时也犯过这个错——有一次设计一个加速器，算错了输出特征图的尺寸，导致整个数据流都乱了，改了两版才搞定。

所以这节课，咱们把基础打扎实。你想想看，卷积运算说白了就是四个要素：输入特征图、卷积核、步长、填充。搞懂它们之间的关系，后面的硬件设计才能顺风顺水。

2.1 输入特征图

输入特征图，就是我们要处理的数据。在卷积神经网络里，它通常是一个三维的张量。

举个例子，一张彩色图片输入到网络中，它的维度是：

• 高度 H：图片的行数
• 宽度 W：图片的列数
• 通道数 C：RGB 三个通道，所以 C=3

我习惯用 (H, W, C) 来表示。比如一个 224×224 的彩色图，就是 (224, 224, 3)。

2.2 卷积核

卷积核，也叫滤波器。它就是一个小的权重矩阵，在输入图上滑动做点积运算。

卷积核也有三个维度：

• 核高度 K_h：比如 3、5、7
• 核宽度 K_w：通常和高度相等，比如 3×3
• 输入通道数 C_in：必须和输入特征图的通道数一致

另外，每个卷积层会有多个卷积核，数量就是输出通道数 C_out。

举个例子，一个 3×3 的卷积层，输入 64 通道，输出 128 通道。那么卷积核的维度就是 (3, 3, 64, 128)。嗯，这里要注意，最后一个维度是输出通道数。

2.3 步长

步长，就是卷积核每次滑动的步数。用 S 表示。

步长 = 1 时，卷积核一个像素一个像素地挪。步长 = 2 时，每次跳两个像素。说白了，步长越大，输出特征图越小。

我在项目中遇到过一个问题：步长设得太大，导致输出尺寸太小，丢失了很多空间信息。后来我们一般用步长 1 或 2，很少用更大的。

2.4 填充

填充，就是在输入特征图的边缘补一圈数据。用 P 表示填充的层数。

为什么要填充？两个原因：

1. 保持尺寸：如果不填充，卷积后输出会变小。比如 5×5 的图，用 3×3 的核，步长 1，输出只有 3×3。
2. 利用边缘信息：边缘的像素被卷积的次数少，填充后边缘信息也能被充分提取。

常见的填充方式有两种：

• Valid 卷积：不填充，P=0
• Same 卷积：填充后输出尺寸和输入相同，P = (K-1)/2

2.5 输出特征图的计算

好了，前面四个要素都讲完了。现在来看最关键的——输出特征图怎么算？

公式其实很简单：

输出高度 H_out = floor((H_in + 2P - K_h) / S) + 1
输出宽度 W_out = floor((W_in + 2P - K_w) / S) + 1
输出通道数 C_out = 卷积核的个数

举个例子：

• 输入：32×32×3
• 卷积核：5×5，6 个
• 步长：1
• 填充：2

计算一下：

H_out = floor((32 + 2×2 - 5) / 1) + 1 = floor(31) + 1 = 32
W_out = floor((32 + 2×2 - 5) / 1) + 1 = 32
C_out = 6

输出就是 32×32×6。你看，用了 Same 卷积，尺寸没变。

再举一个步长为 2 的例子：

• 输入：64×64×3
• 卷积核：3×3，16 个
• 步长：2
• 填充：0（Valid 卷积）

H_out = floor((64 + 0 - 3) / 2) + 1 = floor(61/2) + 1 = 30 + 1 = 31
W_out = 31
C_out = 16

输出就是 31×31×16。尺寸缩小了一半左右。

2.6 知识体系总览

下面我用一张图来总结卷积运算的核心逻辑。这张图是我自己画的，把输入、卷积核、步长、填充、输出之间的关系都串起来了。

这张图把整个流程串起来了。你想想看，输入特征图经过填充后，和卷积核做点积运算，步长控制着滑动间隔，最终得到输出特征图。说白了，就是一套数学公式在驱动。

2.7 实际项目中的注意事项

最后，我分享几个在实际项目中踩过的坑：

• 边界条件：当输入尺寸不是步长的整数倍时，floor 操作会导致最后一行/列被丢弃。硬件设计时一定要考虑这种情况。
• 填充的硬件开销：填充意味着要多存几行数据。如果填充很大，片上缓存会吃紧。我一般建议用 Same 卷积，P 不超过 2。
• 多通道的累加：每个输出像素是多个输入通道的累加结果。在硬件里，这个累加器要设计得足够宽，防止溢出。

好了，这节课就到这里。记住，公式要烂熟于心，硬件设计才能游刃有余。