卷积核是什么？图片的进行卷积过程、全链接层、传统回归神经网络，toTensor()函数解释等内容总结

1，全链接层可以看作是一个线性变换nn.Linear()，再加一个激活函数层所构成的
2，全链接层的应用非常广泛，只有全链接层组成的网络是全链接网络，用于数据的分类和回归预测，积卷神经CNN网络和循环RNN神经网络的末端，通常会由多个全链接层组成
3，在图像处理的过程中，需要将像素数据转换为0～1之间的数据，并且将图像数据从形状为（H，W，C）转换为形状（C，H，W）
4，三种数据回归数据，分类数据，图像数据，需要准备的处理的时候分为两步骤：
a,数据的准备，b，定义数据记载器（目标数据，batch_size,是否打乱，几个进程）
5，transform.toTensor(),从opencv读到的图片是通道数在第三个维度，现在经过ToTensor操作cv2图片变成了torch image类型，也就是通道在第一个维度，同时将数据中的像素值转换到0～1之间的值。
6，卷积核的大小和图片的深度有关，原理是基于每个图片通道深度，需要有不同的深度的卷积和图片进行对应。通过卷积核的个数进行特征的提取，例如有两个卷积核心，那么我们最终就提取出了两个特征。
在计算的过程中，每一个卷积核，他的不同维度进行卷积之后，我们相加，最终形成了这个卷积核的特征
7，Filter是卷积核，Filter w0,w1是两个卷积核，在同一层中的卷积核必须是一样的，因为这样才可以进行堆叠（参看第二个图）