学习笔记4-卷积操作（附相关代码）、channels含义（ in_channels、卷积channels、out_channels ）

**

torch.nn模块包含torch已经准备好的卷积层、归一化层、池化层、激活函数层、全连接层。

4.1卷积层

4.1.1卷积核使用操作：
二维卷积运算过程示意图如下图所示：

相信大家和我一样可能道理我们都懂但是一遇到代码就蒙圈，那我们接下来就来看看如何使用torch.nn模块进行卷积操作。
附上一张常用卷积操作对应类的命名

相关代码展示：

#承接上图以2x2卷积操作为例，其调用方式为：
torch.nn.conv2d(in_channels=3, #(整数）输入图像的通道数
                out_channels=4, #(整数）经过卷积后，输出特征映射的数量
                kernel_size=2, #(整数或数组）卷积核大小
                stride=1, #(整数或数组，正数）步长，默认为1
                padding=0, #(整数或数组，正数）填充，默认为0
                dilation=1, #(整数或数组，正数）卷积核之间的步幅，默认为1
                groups=1, #(整数，正数）从输入通道到输出通道的阻塞连接数
                bias=True) #(布尔数，正数）偏置bias，当bias=True时为添加偏置，默认为True

4.2.2 channels：
不知道大家在学习的时候有没有遇到和我一样的困扰。什么是channels呢？又如何确定输入的channels、卷积核的channels、输出的channels？

有很多博主都给出了下面的等式：
CNN的卷积核通道数 = 卷积输入层的通道数
CNN的卷积输出层通道数(深度)= 卷积核的个数
根据我自己的理解绘制了下图，希望对你们理解有利~

随后学习笔记我会继续跟进学习 归一化层BN2d、池化层pooling、激活函数层relu、全连接层fc！更会虚心接受大家的评判指正！