NCHW 输入矩阵到 cuDNN 中卷积的 Dm 转换逻辑
NCHW input matrix to Dm conversion logic for convolution in cuDNN
我一直在努力理解cuDNN paper中所示的卷积降低操作。通过阅读并将各种参数映射到下图，我能够理解其中的大部分内容。但是，我无法理解原始输入数据（NCHW）如何转换为红色显示的Dm矩阵。
Dm 矩阵的元素排序没有意义。有人可以解释一下吗？
Dm的每一列对应原始图像的一个图块。下面显示了两个示例：
没有关于如何提取这些图块的简单数学描述（作者称之为“non-trivial”），但在第 3.1 节中有一些一般性评论。
一些注意事项：
Dm 和 Fm 中数据的确切布局是灵活的：您可以置换 Dm 的行和 Fm 或 [=42= 的列].- cuDNN 实际上并没有完全构建
Dm，而是根据需要懒惰地生成 Dm 的列（请参阅本文的第 3.1 节）
- 卷积或cross-correlation? 卷积的经典定义要求在将过滤器应用于图像之前（沿两个轴）翻转过滤器。现代 machine-learning 框架往往不会这样做，数学学究称之为 cross-correlation 而不是卷积。从 machine-learning 的角度来看，使用哪个并不重要，但是 filter-flipping 赋予卷积很好的代数特性（例如交换性）并且符合数学中使用的卷积定义（旁注：卷积意味着折叠或滚动）。在这篇 cuDNN 论文中，过滤器 被翻转 。
我一直在努力理解cuDNN paper中所示的卷积降低操作。通过阅读并将各种参数映射到下图，我能够理解其中的大部分内容。但是，我无法理解原始输入数据（NCHW）如何转换为红色显示的Dm矩阵。
Dm 矩阵的元素排序没有意义。有人可以解释一下吗？
Dm的每一列对应原始图像的一个图块。下面显示了两个示例：
没有关于如何提取这些图块的简单数学描述（作者称之为“non-trivial”），但在第 3.1 节中有一些一般性评论。
一些注意事项：
Dm和Fm中数据的确切布局是灵活的：您可以置换Dm的行和Fm或 [=42= 的列].- cuDNN 实际上并没有完全构建
Dm，而是根据需要懒惰地生成Dm的列（请参阅本文的第 3.1 节） - 卷积或cross-correlation? 卷积的经典定义要求在将过滤器应用于图像之前（沿两个轴）翻转过滤器。现代 machine-learning 框架往往不会这样做，数学学究称之为 cross-correlation 而不是卷积。从 machine-learning 的角度来看，使用哪个并不重要，但是 filter-flipping 赋予卷积很好的代数特性（例如交换性）并且符合数学中使用的卷积定义（旁注：卷积意味着折叠或滚动）。在这篇 cuDNN 论文中，过滤器 被翻转 。