卷积神经网络构建（pytorch）

两层简单卷积网络构建：

impot torch 
from torch import nn

data = torch.ones(size=(10,3,28,28))

conv1 = nn.Conv2d(3,6,3)

在卷积层con1中，三个数字分别代表参数in_channles（输出通道）,out_channles（输入通道）,kernel_size（卷积核大小）.

其中输出通道和我们输入数据的通道数保持一致，输入通道和卷积核大小由自己决定，但要注意，下一层卷积层输入通道要与上一层输出通道保持一致。

这里我们定义下一层conv2

conv2 = nn.Conv2d(6,4,3)

定义好之后可以打印查看结果

print(conv1(data))
print(conv2(conv1(data)))

步长

在不设置stride（步长）的情况下，默认为一，可以通过对步长的设置来控制特征图的大小。但是当步长为1时，会出现中间部分被重复扫描的现象，‘中间重边缘轻’。而增大步长，过大时会出现一些边缘扫描不到的情况，如图：

填充法

当步长为3时，卷积核不会出现重复扫描的过程，但是最右边无法被扫描到，这时候需要用填充法对图像进行填充，由参数padding和padding_mode来控制。

padding=1时，图像的上下左右各添加一个像素，padding_mode则可以选择要填充的值。

对于padding_mode，输入值为‘zero’时，用数字0填充。输入值为‘cicular’时使用环形填充，如下图：

当然即使有了padding也不是一定能扫描完全，像这种：

这个时候使用‘valid'或者'same'方法来解决：

valid方法是对后续未扫描到的像素抛弃，same则是做填充，不过same方法只能在tensorflow中实现。根据上面的规律，可以得到特征图片大小与输入图片大小的规律：