卷积这事儿实际上挺像人脑处理图像的那套机制。
你想想看，当你在看一张图时，眼不是整体扫视，而是先聚焦在某个小方块上，再慢慢往四周辐射。卷积就是把这个小方块，也就是“感受野”，给挖出来，然后跟输入图上的内容拼一拼，算出一个“平均反应”。 具体如何算，实际上就是一堆加减乘除和移位。拿数学公式来说，输入图是 $G(x, y)$，卷积核是 $H(u, v)$，输出图就是 $O(x, y)$。你先把那个卷积核 $H$ 在输入图 $G$ 上往上下左右挪。挪的时候，不能只平移一行一列，要沿着网格走，要是遇到边界了，就得按规矩处理，比如补个零要么剪掉，总而言之别让啥负数浮出来。每挪一步，就做一次“点积”运算。点积就是向量乘法，把对应的值乘起来再加起来。但这一步忒脏了，全是乘法，还得切一下，感觉像是在把手里那些乱七八糟的数字和单位换算成标准单位。算完这一堆加起来，这就是一个像素点的输出。 不过这玩意儿范围也忒广了，一次卷积要算整个图，那就得算 $N times M$ 个卷积核，每个都要算 $N$ 次，$M$ 次。
要是分辨率挺高，这工作量简直恐怖，时常要算几分钟。
那会儿有人试过把输入图切成小块，每块都卷积一遍，那叫“分块卷积”，叫卷积池化，叫“上采样”，这种在某些地方能略微省点工夫，但整体还是慢。目前流行的是“整体卷积”，就是整个图一次性算完，速度快，并且能理解整张图的全貌，但这确实忒难弄了，几百万的运算压力，连目前的 GPU 都快扛不住了。 为了把难题简化点，能不能像切香肠一样，只算局部？这就是卷积池化，也叫“下采样”。你先把输入图切成小方格，每个方格就是一个卷积核。操作起来跟上面一样，只是输入图变小了几倍，输出图也就变小了几倍。
比如 $N times M$ 的图，切成 $N/2 times M/2$ 的池化核，那输出就是 $N/2 times M/2$ 的图。如此做有个益处，卷积核的尺寸变小了，运算量也明显少了。
不过，这种池化有个致命伤，把输出变小了，信息就丢失了。
比如原本 28x28 的图，切成 14x14，就只剩了一半像素，细节肯定没了，这就是常说的“分辨率下降”。为了补偿这个损失，还得用“上采样”，就是反过来，把小图变大。
这时候卷积核的尺寸就得变回原来的大小，那就得重新算一遍，要么用“跳个卷积”技巧，把小图分两次卷积，算出两个不同的结局，再拼在一起，补回丢失的信息。 说到卷积核本身，它的形状拍板了它到底能“看”啥。
比如 3x3 的卷积，只能看到前景的 8 个像素，取平均后，边缘和纹理细节就抓不住，只会变成一个不清楚的块。
要是换成 7x7 的卷积，它的感受野就大了一倍，能覆盖 49 个像素，看局部细节的本事就强了。
这种卷积核一般有两类，一个是“对称卷积核”，比如 2x2 的，输入里的一些信息会被来回打转，最终变成一个整体平均值，常用于特征取。另一个是“非对称卷积核”，比如 5x3 的，输入点的信息不会重复利用，每次移动都算新的，适合处理边缘要么序列数据。
还有“对角线卷积核”，它的步长取 1，转了 45 度，能检测到对角线方向的特征。 在实际应用里，卷积核的尺寸和输出尺寸是不对等的。
比如输入是 5x5，卷积核是 3x3，输出就是 5x5；但要是是输入 224x224，卷积核 3x3，输出就是 222x222。
要是卷积核比输入大呢？比如输入 2x2，卷积核 5x5。
这时候卷积核会超出边界，得处理掉，一般就是按零补要么丢弃。输出尺寸也会变小，变成 1x1。
这就好比你拿一把大刷子去刷一个小格子，刷出来的结局肯定比大刷子的面积小。 有人可能会问，既然卷积能如此快地把图变成不同分辨率，那为啥还要干别的？实际上，卷积的核心目标就是在“信息”和“计算难度”之间找平衡。用大卷积核，信息保留得多，但计算慢；用小卷积核，计算快，但信息丢失多。卷积池化让我们能在速度飙升的与此同时，牺牲一点分辨率，换取速度。上采样再把分辨率补回来，别看多运算一次，但能找回细节。 举个具体的例子，假设我们要在手机上实时人脸识别。输入照片是 416x340，直接卷积忒慢了。
那就用 7x7 的卷积核做下采样，输出变成 290x258。
这时候别看分辨率降了，但识别速度够快。
要是在识别完之后，再用一个 11x11 的卷积核做上采样，输出就回去了 340x416，这时候人脸特征就整个了，识别准率就能提上来。
这就是卷积在日常生活中的真样子，它不是那种完美的数学公式，而是工程师们为了在速度和精度之间妥协，发明出来的一套实用手段。别看过程中有丢数据、有补数据、有重复计算，但它确实是让机器也能像人眼一样，快速看懂图像本质的关键。
