目录标题
一、卷积运算
卷积层对数据进行卷积运算,卷积运算相当于图像处理中得滤波器运算
对于输入数据，卷积运算以一定间隔滑动卷积核的窗口并应用。将各个位置上卷积核的元素和输入的对应元素相乘，然后再求和（也称为乘积累加运算、矩阵的内积）。
CNN中,卷积核得参数对应之前得权重。并且CNN中也存在偏置
二、填充
在进行卷积层的处理之前，有时要向输入数据的周围填入固定的数据（比如0），这称为填充（padding）。例如，对形状为 4×4 的数据进行幅度为 1 的填充，即用幅度为 1、值为 0 的数据填充周围：
可以看到，4×4 的数据进行幅度为 1 的填充后形状变为 6×6，再经过卷积后数据的形状为 4×4。使用填充主要目的是为了调整输出数据的形状大小，避免多次卷积后数据形状大小过小导致无法继续进行卷积运算。运用填充可以令数据形状在经过卷积运算后保持不变。
三、步幅
应用卷积核的位置间隔称之为步幅（stride）。没有强调方向,所有横向和纵向是一样的，如果步幅是2，那横纵移动都是2
之前的例子中步幅都为 1，下面我们进行步幅为 3 的卷积运算：
可移动格子(长度)： w+2p-fw 但是有步幅s，所以可移动次数就是 w + 2p - fw / s 本身未移动之前就是一次计算
可以看到填充和步幅都会影响输出数据的形状大小。增大填充，输出数据形状大小会变大；增大步幅，输出数据形状大小会变小。让我们分析一下给定填充和步幅如何计算输出数据的形状大小。
假设输入数据形状为 ( H , W ) (H, W) (H,W)，卷积核大小为 ( F H , F W ) (FH, FW) (FH,FW)，填充为 P P P，步幅为 S S S，输出数据形状为 ( O H , O W ) (OH, OW) (OH,OW)，可得：
O H = H + 2 P − F H S + 1 OH = \frac{H + 2P - FH}{S} + 1 OH=SH+2P−FH+1
O W = W + 2 P − F W S + 1 OW = \frac{W + 2P - FW}{S} + 1 OW=SW+2P−FW+1
例如，对于形状为 ( 4 , 4 ) (4,4) (4,4) 的输入数据应用幅度为 1 1 1 的填充，并应用步幅为 3 3 3，卷积核大小为 ( 3 , 3 ) (3,3) (3,3) 的卷积运算：
O H = O W = 4 + 2 − 3 3 + 1 = 2 OH = OW = \frac{4 + 2 - 3}{3} + 1 = 2 OH=OW=34+2−3+1=2
得到形状为 ( 2 , 2 ) (2,2) (2,2) 的输出数据。
当输出大小无法除尽时，PyTorch 卷积层会自动向下取整，输出整数尺寸，舍弃无法覆盖完整卷积核的输入部分。