Linear&Conv2d的一些见解！！！！

Linear

- 现在先定义一些东西：

in_features:输入特征集

out_features：输出特征集

input_hang:输入的tensor的行

input_lie:输入的tensor的列

​

现在列举一个表格给你看看：

我就列举了两个feature，我们把这些features组成一个二维的tensor,用他们后面的数字代表：

[1，2，3
 4，5，6]

我们就发现，列是代表：我们每个种类的特征集。所以不管在分类问题还是预测回归问题上，我们都经常考虑tensor的列，而行的数量只表示你的特征多不多，越多我模型train出来就可能越精确，当然也可能会坏掉，比如两个类的东西越多，他们两个种类可能越相似，哪就可能无法判断出来哪个是哪个。

• 上面我们就知道了：tensor的列就是代表：特征集。

我们看下图，就知道。

• 我们Linear(输入特征集，输出特征集)。又因为输入 特征集=输入tensor的列。

然后把你tensor的列丢进去做linear就好了。要记住的是：我的out_features是可以大于in_features的。

对于他的bias，我们train模型的时候都需要的。

Conv2d

Conv2d就也很难理解，个人觉得：

nn.Conv2d(

self, in_channels,out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True**

)
参数：
  in_channel:　输入数据的通道数，例RGB图片通道数为3；(一般为深度)
  out_channel: 输出数据的通道数，这个根据模型调整；
  kennel_size: 卷积核大小；kennel_size=2,意味着卷积大小2， kennel_size=（2,3），意味着卷积在第一维度大小为2，在第二维度大小为3；
stride：步长，默认为1 padding：　在边缘补零

难理解的点就是在通道、kennel、还有filter上的联系。推荐一篇博客给大家：

filter 与 kernel ,卷积的理解 - chumingqian - 博客园
(cnblogs.com)

一般怎么考虑tensor的维度：

我们可以把我们熟知的三维：长宽高。换成我们现在tensor的维度

在tensor里面呢? 有:

宽(width) 、高(high)、深度（depth）

深度越深，我们的通道也就会越多。当然，我们的卷积核也可以有深度，这就可以把原始的depth，通过卷积核，变换成另外一个depth(深度)。