CNN卷积神经网络

1.什么是卷积?

在卷积神经网络中，卷积操作是指将一个可移动的小窗口（称为数据窗口，如下图绿色矩形）与图像进行逐元素相乘然后相加的操作。这个小窗口其实是一组固定的权重，它可以被看作是一个特定的滤波器（filter）或卷积核。这个操作的名称“卷积”，源自于这种元素级相乘和求和的过程。这一操作是卷积神经网络名字的来源。

这张图中蓝色的框就是指一个数据窗口，红色框为卷积核（滤波器），最后得到的绿色方形就是卷积的结果（数据窗口中的数据与卷积核逐个元素相乘再求和）
 

影响卷积的因素有哪些？

1，步长stride:每次滑动的位置长度。

2，卷积核的个数。

3，填充值zero-padding：在外围边缘补充若干圈0，方便从初始位置以步长为单位可以刚好滑倒末尾位置，通俗地讲就是为了总长能被步长整除。

2.卷积神经网络的构成

卷积神经网络（Convolutional Neural Network, CNN）是一种深度学习模型，特别适用于处理具有网格结构的数据，如图像。CNN的核心思想是通过卷积层、池化层和全连接层来提取和学习图像的特征。

2.1卷积层（Convolutional Layer）

卷积层是CNN的核心组成部分，用于提取图像的局部特征。卷积层通过卷积核（也称为滤波器）在输入图像上滑动，计算局部区域的特征。

结构含义：

*输入：通常是一个多通道的图像（例如RGB图像有3个通道）。

*卷积核：一个小的权重矩阵，用于在输入图像上滑动并计算特征。

*输出：卷积操作的结果，通常称为特征图（Feature Map）

import torch
import torch.nn as nn

# 定义卷积层
conv_layer = nn.Conv2d(in_channels=1, out_channels=32, kernel_size=3, stride=1, padding=1)

# 输入图像的形状为 (batch_size, channels, height, width)
input_tensor = torch.randn(1, 1, 28, 28)

# 前向传播
output_tensor = conv_layer(input_tensor)
print(output_tensor.shape)  # 输出