轉：https://blog.csdn.net/williamyi96/article/details/77648047

1.對於單通道影象+單卷積核做卷積

Conv layers包含了conv，pooling，relu三種層。以python版本中的VGG16模型中的faster_rcnn_test.pt的網路結構為例，如圖2，Conv layers部分共有13個conv層，13個relu層，4個pooling層。這裡有一個非常容易被忽略但是又無比重要的資訊，在Conv layers中：

1. 所有的conv層都是：kernel_size=3，pad=1
2. 所有的pooling層都是：kernel_size=2，stride=2

為何重要？在Faster RCNN Conv layers中對所有的卷積都做了擴邊處理（pad=1，即填充一圈0），導致原圖變為(M+2)x(N+2)大小，再做3x3卷積後輸出MxN。正是這種設定，導致Conv layers中的conv層不改變輸入和輸出矩陣大小。如圖3：

      類似的是，Conv layers中的pooling層kernel_size=2，stride=2。這樣每個經過pooling層的MxN矩陣，都會變為(M/2)*(N/2)大小。綜上所述，在整個Conv layers中，conv和relu層不改變輸入輸出大小，只有pooling層使輸出長寬都變為輸入的1/2。

     那麼，一個MxN大小的矩陣經過Conv layers固定變為(M/16)x(N/16)！這樣Conv layers生成的featuure map中都可以和原圖對應起來。

2.對於多通道影象+多卷積核做卷積

如圖5，輸入影象layer m-1有4個通道，同時有2個卷積核w1和w2。對於卷積核w1，先在輸入影象4個通道分別作卷積，再將4個通道結果加起來得到w1的卷積輸出；卷積核w2類似。所以對於某個卷積層，無論輸入影象有多少個通道，輸出影象通道數總是等於卷積核數量！

對多通道影象做1x1卷積，其實就是將輸入影象於每個通道乘以卷積係數後加在一起，即相當於把原影象中本來各個獨立的通道“聯通”在了一起。

caffe畫圖工具：http://ethereon.github.io/netscope/#/editor