卷积层的基本操作

前言：

**在PyTorch中，卷积是一种常用于深度学习的数学运算，特别是在处理图像和视频数据时。卷积运算通过将卷积核（或滤波器）滑动应用于输入数据（如图像），来提取特征或进行图像处理。这种方法在卷积神经网络（CNNs）中尤为重要，因为它能够有效地识别图像中的局部模式，如边缘、纹理等。 **

卷积的作用：

**_ 1. 特征提取：卷积能够从输入数据中提取有用的特征。在图像处理中，不同的卷积核能够捕捉到图像的不同特征，如边缘、角点或其他纹理信息。
2. 降维：通过使用步长大于1的卷积，或者在卷积之后应用池化层（如最大池化），可以减少数据的空间维度，从而减少模型的参数数量和计算量。
3. 保持空间结构：_**与全连接层相比，卷积层保持了数据的空间结构信息。这意味着卷积网络能够理解图像中的空间层次和对象的形状。

相关参数：

1.输入通道数（Input Channels）：
指的是输入数据的深度。例如，对于彩色RGB图像，输入通道数为3。

2.输出通道数（Output Channels）：
指的是卷积操作后生成的特征图（Feature Maps）的数量。这个数字也代表了卷积核数量，因为每个卷积核产生一个输出特征图。

3.卷积核大小（Kernel Size）：
卷积核（或滤波器）的大小，通常是正方形，表示为(n, n)或仅一个数字n（对于n x n的卷积核）。卷积核大小影响了特征提取的粒度，较小的卷积核可以捕捉更细微的特征。
****4.步长（Stride）：**
卷积核在输入特征图上滑动的步长。较大的步长会减少输出特征图的空间维度，有助于降低计算量和模型大小。步长通常表示为(s, s)或一个数字s。

5.填充（Padding）：
在输入特征图的边缘添加额外的零值（0）以保持特定的输出尺寸。填充可以是"valid"（无填充），“same”（输出尺寸与输入相同），或一个指定的数字，表示在每个边缘添加的零值的行数或列数。

6.分组（Groups）：
控制输入和输出通道之间的连接。分组卷积可以减少参数数量和计算量。当分组数等于输入通道数时，这种操作被称为深度卷积。

卷积代码示例:

import torch
import torch.nn.functional as F

input = torch.tensor([[1, 2, 0, 3, 1],
                      [0, 1, 1, 0, 0],
                      [1, 2, 1, 0, 0],
                      [5, 2, 3, 1, 1],
                      [2, 1, 0, 1, 1]])

kernel = torch.tensor([[1, 2, 1],
                       [0, 1, 0],
                       [2, 1, 0]])

input = torch.reshape(input, (1, 1, 5, 5))
kernel = torch.reshape(kernel, (1, 1, 3, 3))

print(input.shape)
print(kernel.shape)

output = F.conv2d(input, kernel, padding=1)

print(output)

代码展示：

import torch
from torch import nn
import torchvision.datasets
from torch.nn import Conv2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset = torchvision.datasets.CIFAR10('E:\\Python\\Learn_Pytorch\\dataset_01', train=False,
                                       transform=torchvision.transforms.ToTensor(),
                                       download=True)

dataloader = DataLoader(dataset, batch_size=64)


class Module(nn.Module):
    def __init__(self):
        super(Module, self).__init__()
        self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=0)

    def forward(self, x):
        x = self.conv1(x)
        return x


module = Module()

writer = SummaryWriter('juanji_logs')

step = 0
for data in dataloader:
    imgs, targets = data
    output = module(imgs)
    print(imgs.shape)
    print(output.shape)
    writer.add_images('input', imgs, step)

    output = torch.reshape(output, (-1, 3, 30, 30))

    writer.add_images('output', output, step)

    step = step + 1