3、 如果原输入的高和宽是 和 ,卷积核的高和宽是 和 ,在高的两侧一共填充 行,在宽的两侧一共填充 列,则输出形状为: ) 我们在卷积神经网络中使用奇数高宽的核,比如3×3,5×5的卷积核,对于高度(或宽度)为大小为2k+1的核,令步幅为1,在高(或宽)两侧选择大小为k的填充,便可保持输入与输出尺寸相同。

1、 全连接层与常规神经网络相似，通过矩阵乘法和偏差项实现。 在CNN中，从全连接层到卷积层的转变，是通过调整滤波器尺寸来实现全连接效果，如AlexNet中，用步长控制高效处理大图输入。 实践与应用 整图卷积与滑动子图卷积在效果上无差别，但整图卷积在计算效率上占据优势。

2、 从图像到图形的卷积思想。 (图片来自[1]) GCN的基本思路:对于每个节点,我们从它的所有邻居节点处获取其特征信息,当然也包括它自身的特征。 假设我们使用average()函数。 我们将对所有的节点进行同样的操作。 最后,我们将这些计算得到的平均值输入到神经网络中。 在下图中,我们有一个引文网络的简单实例。