目录
- 1、卷积
- [2. 卷积神经网络](#2. 卷积神经网络)
-
- [2.1 卷积层](#2.1 卷积层)
- [2.2 padding](#2.2 padding)
- [2.3 多kernel](#2.3 多kernel)
- [2.4 特征学习](#2.4 特征学习)
- [3. pytorch实现卷积层](#3. pytorch实现卷积层)
-
- [3.1 nn.Conv2d](#3.1 nn.Conv2d)
- [3.2 F.conv2d](#3.2 F.conv2d)
1、卷积
为了减少网络的复杂度，增加一个滑动的矩阵小窗口，比如minist数据集输入是28x28=784，也就是说除输入层外，其他层的每个节点与上层都有784条权重连线，而增加一个3x3的滑动窗口后，连线就变成了9，这样大大减少了参数量。这里使用了信号中的卷积运算，即对应元素相乘再累加，因此3x3的滑动窗口被称为卷积核，进行的运行叫卷积运算。
上图是爱因斯坦头像，如果使用全连接，那么参数量是 1 0 12 10^{12} 1012，而使用10x10的卷积运算后，参数量降到了100M。
2. 卷积神经网络
2.1 卷积层
使用卷积核进行卷积运算的层称之为卷积层
如下图：使用一个3x3的卷积核，先在x方向上移动，再在y方向上移动，每次移动一格，进行卷积运算，计算出对应元素的值，最后得到新的feature map
2.2 padding
从上边动图发现，经过卷积后，feature map比之前小了，原来5x5变成了3x3，那么怎么保证原大小输出呢？
如下图所示：分别在x和y方向上各增加一行，权值为0，这样再做卷积运算就可以输出原大小了。
Input_channels：比如RGB三个通道
Kernel_channels：几种核，比如blur、sharpen等操作得核
Kernel_size：几×几的核，比如：3x3 5x5
Stride：步长，卷积核每层移动几个，1，2
Padding：0, 1, 1
2.3 多kernel
下图中有两个kernel，k1和k2，input channel是3，因此每个kernel有3个相同的Window与之对应，也就是说input channel与kernel的window数必须一致，multi-k:[16,3,3,3]，中的数字分别表示有16个kernel，每个kernel有3个window与input channel对应，window大小是3x3。而下图实际有2个kernel，kernel维度表示为[2,3,3,3]
最后输出feature map是3x3是怎么来的呢？input 每个通道元素与对应window元素相乘累加后得到一个值，再把3个通道的值相加就得到了output的一个值。
2.4 特征学习
下图表示了特征学习的一个过程：conv1提取了低级特征，比如：汽车的颜色；conv2提取了中级别的特征，比如：轮廓；conv3提取了高级别的特征，比如：汽车的灯、轮子，最后是全连接层，输出分类。
3. pytorch实现卷积层
3.1 nn.Conv2d
nn.Conv2d是一个类，实例化为layer，调用layer.forward完成一次前向计算，得到输出out
也可以使用out=layer(x)实际上调用的是__call__函数，与执行.forward不同的时，__call__函数中封装了一些hooks函数，会先执行hooks，然后再执行forward，建议使用这种方法。
3.2 F.conv2d
与nn.Conv2d不同的是F.conv2d是函数方法
