零基础学习人工智能—Python—Pytorch学习（八）

前言

本文介绍卷积神经网络的上半部分。
其实，学习还是需要老师的，因为我自己写文章的时候，就会想当然，比如下面的滑动窗口，我就会想当然的认为所有人都能理解，而实际上，我们在学习的过程中之所以卡顿的点多，就是因为学习资源中想当然的地方太多了。

概念

卷积神经网络，简称CNN， 即Convolutional Neural Network的缩写。

滤波器/卷积核(Filter/Kernels)

卷积核是一个小矩阵(通常是3x3、5x5等)，它在输入图像上滑动(即移动)，并与图像的局部区域进行矩阵乘法(点积)操作。结果是一个单值，这个值代表了该局部区域的某种特征。
点积就是内积，就是np.dot函数，内积是个值，就是两个矩阵对应项相乘，在相加
例如。a=[2,3] 和 b=[4,5]，它们的点积是a⋅b=(2×4)+(3×5)=8+15=23
点积的意义是a⋅b=∥a∥∥b∥cosθ，意思是说，点积等于a向量的模乘以b向量的模乘以ab的夹角θ的cos的值
向量的模就是向量的长度，v=[3,4]，因为勾股定理，c²=a²+b²,所以∥v∥=c=根号下a²+b²=根号下9+16=根号下25=5
例。rgb图，是3通道，卷积核会在3个通道上都进行卷积操作，最后形成一个特征图。

卷积核的尺寸

如果尺寸是 5×5，那么滑动窗口的大小也是 5×5。

特征图(Feature Map)

当一个卷积核(或滤波器)滑动在输入图像上时，它会在每一个位置计算卷积核与输入图像区域的点积，结果是一个标量。通过滑动整个图像，得到一组标量值，这些值