博客摘录「 《PyTorch深度学习实践》学习笔记 【5】CNN_1」2023年12月7日

卷积层要求输入输出是四维张量(B,C,W,H)，全连接层的输入与输出都是二维张量(B,Input_feature)。

self.fc = torch.nn.Linear(320, 10)，这个320获取的方式，可以通过x = x.view(batch_size, -1) # print(x.shape)可得到(64,320),64指的是batch，320就是指要进行全连接操作时，输入的特征维度。

卷积(线性变换)，激活函数(非线性变换)，池化；这个过程若干次后，view打平，进入全连接层~

卷积核数量=最终输出的通道数

卷积核的通道数量 = 输入通道数 （三通道输入—卷积核也有三个通道）

卷积核的总数= 输出通道的数量 （M通道输出-- 卷积核(filter)有M个）

卷积核的大小自己定

卷积(convolution)后，C(Channels)变，W(width)和H(Height)可变可不变，取决于是否padding。subsampling(或pooling)后，C不变，W和H变。

卷积层对图像的大小没有要求，只对通道数有关。所以定义一个卷积层只需要定义：1. 输入通道，2. 输出通道数，3. 卷积核数；

-----torch.nn.Conv2d(1,10,kernel_size=3,stride=2,bias=False)

      1是指输入的Channel，灰色图像是1维的；10是指输出的Channel，也可以说第一个卷积层需要10个卷积核；kernel_size=3,卷积核大小是3x3；stride=2进行卷积运算时的步长，默认为1；bias=False卷积运算是否需要偏置bias，默认为False。padding = 0，卷积操作是否补0。
------------------------------------------------------------------

卷积的Padding

Padding的圈数： M/2 圈 （比如M=3 ， padding 3/2 = 1 圈； M=5， padding 5/2 = 2 圈）

例如，对于一个5×5的原图，若想使用一个3×3的卷积核进行卷积，并获得一个同样5×5的图像，则需要进行Padding，通常外围填充0

 Maxpooling 池化层

对于一个M*M的图像而言，被分割成大小相同的块，每个块的值取块内最大值，称为MaxPooling； （用均值就是AveragePooling）

通过池化层可以有效减小宽度和高度

只是缩小图片的宽度和高度，不改变通道数