系列文章目录
PyTorch深度学习------Anaconda和PyTorch安装
Pytorch深度学习-----数据模块Dataset类
Pytorch深度学习------TensorBoard的使用
Pytorch深度学习------Torchvision中Transforms的使用（ToTensor，Normalize，Resize ，Compose，RandomCrop）
Pytorch深度学习------torchvision中dataset数据集的使用（CIFAR10）
Pytorch深度学习-----DataLoader的用法
Pytorch深度学习-----神经网络的基本骨架-nn.Module的使用
文章目录
一、卷积操作是什么？
卷积操作是一种线性操作，通常用于处理信号和图像等数据 。在图像处理中，卷积操作可以用于提取图像的特征，例如边缘、纹理等 。
卷积操作是通过卷积核（也称滤波器）与输入数据进行逐元素乘积、求和运算的过程，从而得到卷积特征图 。所以卷积操作就是一种运算。
二、使用步骤(以二维卷积操作conv2d函数为例)
1.手动运算过程
如下小土堆图所示
如下文章所示
2.conv2d参数
input：输入矩阵，为tensor型，
weight：卷积核 ，为tensor型，
bias：即误差/偏差值
stride：步长，默认为1
padding：填充大小，默认为0
dilation:控制卷积核之间的间距
groups:控制输入和输出之间的连接
注意：
input中的shape：
minibatch：batch中的样例个数
in_channels：每个样例数据的通道数
iH：每个样例的高（行数）
iW：每个样例的宽（列数）
weight中的shape：
out_channels：卷积核的个数
in_channels/groups：每个卷积核的通道数
kH：每个卷积核的高（行数）
kW：每个卷积核的宽（列数）
3.验证第1步的运算
代码如下：
python
import torch.nn.functional as F
import torch
# 创建二维矩阵，并为tensor数据类型
input = torch.tensor([[1,2,0,3,1],
[0,1,2,3,1],
[1,2,1,0,0],
[5,2,3,1,1],
[2,1,0,1,1]])
# 创建tensor数据类型的卷积核
kernel = torch.tensor([[1,2,1],
[0,1,0],
[2,1,0]])
# 打印核验看input和kernel的shape是不是有4个数据
print(input.shape) # torch.Size([5, 5])
print(kernel.shape) # torch.Size([3, 3])
# 由上面可以知道shape不是4个数据，而是只有h和w的2个数据，故进行reshape
input = torch.reshape(input,(1,1,5,5)) # 表示样例个数1，每一个样例数据的通道数1，高5，宽5
kernel = torch.reshape(kernel,(1,1,3,3))
# 进行conv2d卷积运算
output = F.conv2d(input,kernel,stride=1) # stride=1即每一次只进行一步移动操作
print(output)
"""
tensor([[[[10, 12, 12],
[18, 16, 16],
[13, 9, 3]]]])
"""