深度学习基础知识记录（个人参考）

输入：k个通道的影像，也就代表着输入数据为k*m*n，其中m，n为影像行列数。这个输入数据也就有着k个原始特征（个人理解）。而点云数据与与此类似，输入数据一般为k*j，其中k为点云的特征数，一般为3+d，其中3代表着点云的x，y，z三个坐标，d为其他特征值，一般为强度值，回波数等特征。

卷积层：

输入通道数为 K，输出通道数为 L，那么卷积核个数为 KxL。因为高维卷积计算是多个通道与多个卷积核分别进行二维计算

所以 K 个通道会需要 K 个卷积核，因为每个通道可能实际所占权重不同，需要采用不同的卷积核，这样在误差传播之后还能进行动态调整，计算之后，合并也就是相加得到一个通道，又因为输出通道为 L，所以需要 KxL 个卷积核。

然后就是如何求解参数数量？

其实很简单，就是卷积核个数乘以卷积核尺寸，para=IxJxKxL。

1*1卷积核的意义：改变特征维度。

全连接层：其实就是输出的每个值和输入的每个值都有关系，也就是连接状态：

输入的是M*N*P的数据，那么输出的每一个数据都要和这些所有的M*N*P个数据相关。但是也会因此失去空间特征（因为输出的每个值和前面的所有点都有关系了）

就是一个卷积核为像素值大小的卷积层。即参数数量为m*n*K*L，m,n为影像的像素值多少。

代码理解：

torch.nn.Linear(in_features, # 输入的神经元个数 out_features, # 输出神经元个数 bias=True # 是否包含偏置 )

全连接层就是将输入的数据展平为m*1*1（其中m=原本的特征数目*行数*列数），再将其传入Linear中，即in_features=m。

讲解参数量的好文章：卷积和全连接层的模型参数计算详解，详细到神经元个数一个个算，天啊，以VGG16为例_全连接层参数量计算_小林同学记录的博客-优快云博客

对于全连接层的理解 全连接层的推导_全链接层梯度-优快云博客

Deep Learning 用pytorch代码详解全连接层和全卷积层区别_全连接层代码-优快云博客