Pytorch卷积模块

做一个简单的笔记

1.卷积层
nn.Conv2d()就是PyTorch中的卷积模块，常用参数5个，是：

in_channels, out_ channels,kernel_ size, stride, padding；

除此之外还有参数：

dilation, groups, bias。

下面来解释每个参数的含义:
inchannels对应的是输人数据体的深度;

out_channels表示输出数据体的深度;

kernel size 表示滤波器(卷积核)的大小，使用一个数字来表示高和宽相
同的卷积核，比如kernel_ size=3，；
不同的数字表示高和宽不同的卷积核，比如kernel size=(3, 2);

stride表示滑动的步长;

padding=0表示四周不进行零填充；
padding=1表示四周进行1个像素点的零填充;

bias 是一个布尔值，默认bias=True, 表示使用偏置;

groups表示输出数据体深度上和输人数据体深度上的联系，默认groups=1, 也就是所有的输出和输入都是相关联的，如果groups=2， 这表示输人的深度被分割成两份，输出的深度也被分割成两份，它们之间分别对应起来，所以要求输出和输人都必须要能被groups整除;

dilation表示卷积对于输人数据体的空间间隔，默认dilation=1。

2.池化层

nn.MaxPool2d()表示网络中的最大值池化,参数有:

kernel_ size,stride,padding,dilation,return_ indices,ceil_ mode;
下面解释它们各自的含义:
kernel_ size, stride, padding, dilation之前卷积层已经介绍过了，是相同的含义;

return_ indices表示是否返回最大值所处的下标，默认
return_ indices=False;

ceil_ mode表示使用一些方格代替层结构，默认ceil_ mode=False,一般都不会设置这些参数。

nn.AvgPoo12d() 表示均值池化，参数和nn.MaxPoo12d()类似，但多一个参数count_ incl ude_ pad, 这个参数表示计算均值的时候是否包含零填充，默认count_ include_ pad=True。

一般使用较多的就是nn .MaxPool2d()和nn. AvgPool2d()，另外PyTorch还提供了一些别的池化层，如nn. LPPoo12d()、nn.AdaptiveMaxPool2d()等，这些运用较少，感兴趣的读者可以去查看官方文档。