AGPCNet——conv2d（）函数

函数的用法如下：

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

接下来看函数里面各个参数的含义：

in_channels(int)：输入图像的通道数

out_channels(int)：卷积以后输出的通道数

kernel_size(int or tuple)：卷积核的尺寸，可以设置成为一个int型整数或者是一个（int，int）型的元组。3指3*3大小的卷积核，（2，3）指2*3大小的卷积核

stride（int or tuple，optional）：卷积步长，默认为1.可以设置为一个int型数或者是一个（int，int）型的元组

padding（int or tuple，optional）：填充操作，控制padding_mode的数目

padding_mode(string,optional)：padding模式，默认是zero-padding

dilation（int or touple，optional）：扩张操作，控制kernel点（卷积核点）的间距，默认值为1

groups（int，optional）：控制分组卷积，默认不分组，为一组

bias（bool，optional）：为真，则可以再输出中添加一个可以学习的偏差。默认True

代码实战：

import torch

x = torch.randn(3,1,5,4)
print(x)

conv = torch.nn.Conv2d(1,4,3)
res = conv(x)

print(res)
print(res.shape)    # torch.Size([3, 4, 3, 2])

输入：x[batch_size,channels,height_1,width_1]

batch_size：一个batch中样本个数3

channels：通道数，也就是当前层的深度1

height_1：图片高度5

width_1：图片的宽度4

卷积操作：Conv2d(channels,output,height_2,width_2)

channels：通道数，和上面的输入保持一致，也就是当前层的深度1

output：输出的深度4（需要4个filter）

height_2：卷积核的高3

width_2：卷积核的宽3

输出res[batch_size,output,height_3,width_3]

batch_size：一个batch中样例的个数，和上面一样为3

output：输出的深度4

height_3：输出的高度3

width_3：输出的宽度2

同时记录一下什么叫做batch和batch-size

深度学习训练过程中本身就是求损失函数的最小值。这一个过程一般通过梯度下降来实现。如果训练一个epoch，便利所有的训练集，计算一次loss，反向传播一次，梯度也下降一次。如果把训练集切割成小一些的训练集，每次遍历完一个小的训练集，就计算一次loss，反向传播一次，梯度下降一次，那么在一个epoch中就可以实现多次的梯度下降，从而能够加快训练的收敛速度。这个小的训练集就是一个batch，每一个batch的大小就是batch-size

参考地址：

https://blog.csdn.net/qq_34243930/article/details/107231539?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165473095616782184616674%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=165473095616782184616674&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-107231539-null-null.142^v11^pc_search_result_control_group,157^v13^control&utm_term=nn.conv2d%E5%8F%82%E6%95%B0&spm=1018.2226.3001.4187https://blog.csdn.net/qq_34243930/article/details/107231539?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165473095616782184616674%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=165473095616782184616674&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-107231539-null-null.142^v11^pc_search_result_control_group,157^v13^control&utm_term=nn.conv2d%E5%8F%82%E6%95%B0&spm=1018.2226.3001.4187

https://blog.csdn.net/Graceying/article/details/120425021?ops_request_misc=&request_id=&biz_id=102&utm_term=batch%E5%92%8Cbatch%E2%80%94%E2%80%94size&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-0-120425021.142^v11^pc_search_result_control_group,157^v13^control&spm=1018.2226.3001.4187https://blog.csdn.net/Graceying/article/details/120425021?ops_request_misc=&request_id=&biz_id=102&utm_term=batch%E5%92%8Cbatch%E2%80%94%E2%80%94size&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-0-120425021.142^v11^pc_search_result_control_group,157^v13^control&spm=1018.2226.3001.4187