cov1=nn.Conv2d(1,1,kernel_size=(5,3),padding=(2,1),stride=1)
cov2=nn.Conv2d(1,1,kernel=3,padding=1)
输出的张量形状为:
(n-kernel+padding+stride)/stride * (n-kernel+padding+stride)/stride
多输入通道时:对每个通道进行卷积再相加,假设函数为corr2d_multi_in(X,k)
多输出通道时:torch.stack([corr2d_multi_in(X,k)for k in K],0)
注意1*1卷积层的作用:相当于全连接层,用于调整通道数量与模型复杂度
池化层的作用:降低卷积层对位置的敏感,对空间降采样的敏感
pool2d=nn.MaxPool2d(3,padding=1,stride=2)
池化层不改变通道数