深度学习---卷积层中填充和步幅，多输入输出通道，1x1卷积层

1、填充

填充是指在输入高和宽的两侧填充元素

2、步幅

卷积窗口从输入数组的最左上方开始，按从左到右，就从上往下的顺序，依次在输入数组上滑动，将每次滑动的行数和列数称为步幅。
一般，当输入形状为nh X nw，卷积核窗口形状时kh X kw，高上步幅为$Sh$Sh，宽上步幅为$Sw$Sw时，输出的形状为：

3、多输入通道

当输入数据含有多个通道时，需要构造一个通道数与输入数据的通道数相同的卷积核，从而能够与含有多通道的输入数据做互相关运算。例如：彩色图像在高和宽2个维度外还有RGB 3个颜色通道，则彩色图像可以表示为一个3xhxw的多维数组
例如：
含2个通道的二维互相关计算如下：
其中，（1x1 + 2x2 + 4x3 + 5x4) + (0x0 + 1x1 + 3x2 + 4x3) = 56
设输入数据通道数为Ci，则需要Ci X Kh X Kw的卷积核

4、多输出通道

当输入通道有多个时，我们对各个通道的结果进行了累加，所以不论输入通道数是多少，输出通道总是为1。
如果希望得到含多个通道的输出，可以为每个输出通道分别创建形状为Ci X Kh X Kw的核数组。将它们在输出通道维上连结，卷积核的形状即
C0 X Ci X Kh X Kw，C0是输出通道数，Ci为输入通道数

5、1X1卷积层

将卷积窗口形状为1x1的多通道卷积层为1x1卷积层，并将其中的卷积运算称为1x1卷积。因为使用了最小窗口，1x1卷积失去了卷积层可以识别高和宽维度上相邻元素构成的模式的功能。输入核输出具有相同的高和宽，输出中每个元素来自输入中在高和宽上相同位置的元素在不同通道之间的按权重累加。
假设将通道维当作特征维，将高和宽维度上的元素当初数据样本，那么1x1卷积层的作用与全连接层等价。
1x1卷积层通常用来调整网络层之间的通道数，并控制模型复杂度