图像卷积初步

1.卷积核和图片执行互相关运算，图片为(a,b),核为(k,l),则输出图片为(a-k+1,b-l+1)，相当于核全部扫描一遍图片，每次一个局部，之后产生对应于检测某种特征的权重矩阵（比如黑白分界特征）。一般训练集会给出希望得到的特征分类，比如垂直边缘矩阵等，然后给出预期的卷积核模样，之后我们进行多次训练，然后随着损失减小，卷积核（权重矩阵）会越来越接近预期矩阵。

2.卷积层每层前向传播计算公式与全连接类似，corr2d对一个二维矩阵扫面运算得到一个输出

corr2d(x, self.weight) + self.bias

3.类定义的初始化只在第一次引用时进行，即只进行一次。注意：初始化过程对self.weight等需要修改为parameter类型

self.weight = nn.Parameter(torch.rand(kernel_size))

4.直接conv2d.weight引用的时parameter类型，.data后则是tensor类型，才可以切片赋值。

5.卷积层没有优化器也没有损失函数，所有反向求导梯度会储存在卷积层本身，所以全连接层对trainer.zero_grad()（trainer中存储梯度），而这里对卷积层。

6.感受野：输入数据对该各自数据有影响的部分，层越多，感受野随着层数叠加会越广。