感觉流量不好啊。今天水一章。。。。

在卷积神经网络里有两个术语：

一个是卷积层，一个是池化层。今天就简单介绍一下

卷积层：简单来说就是用来做局部特征提取的。

卷积层里的计算：将卷积核和对应图像区域先做点乘再做求和，输出到多特征的图的对应位置。

最终的特征图结果为:

小tips：

1.上图中Filter左边的图像也可能是特征图。因为左边的图像也可能是从上一个卷积核输出的。

2.卷积计算的原理：就是在卷积核和输入数据的局部区域间做点积。

点乘后相加--->加权求和

输入特征图像进行卷积层后输出的计算规则：

假设输入的尺寸为i，卷积核为f，则输出的尺寸为(i-f+1)

补充:padding填充

padding的设置原则：不超过卷积核的尺寸。

卷积计算进阶：

输出尺寸：(i-f)/s+1

如果padding为p，输出尺寸变为(i+2*p-f)/s+1

多通道与单个卷积核的运算

结论

1、卷积层输出特征图的形状

2、size: 卷积核/过滤器大小，一般会选择为奇数，比如有 11 、33、5*5

      Padding: 零填充的方式

      Stride: 步长

3、torch中卷积层的API：

1. conv=nn. Conv2d (in channels,out_channels, kernel size,stride,padding)
    
2. 参数说明:
   in_channels:输入通道数,
   out_channels:输出通道，也可以理解为卷积核kernel的数量kernelsize:卷积核的高和宽设置，一般为3,5,7...
   stride:卷积核移动的步长
   padding:在四周加入padding的数量，默认补0

池化层(Pooling) ：降低维度, 缩减模型大小，提高计算速度.

再加上stride：

2.池化的分类

最大池化和平均池化

3.池化的API

最大池化

nn.MaxPool2d(kernel_size=2, stride=2, padding=1)

平均池化

nn.AvgPool2d(kernel_size=2, stride=1, padding=0)