卷积和互相关https://zhuanlan.zhihu.com/p/33194385
深度学习中的卷积运算实际上就是互相关运算
感受野
卷积的目的:我们可以通过更深的卷积神经网络使特征图中单个元素的感受野变得更加广阔,从而捕捉输入上更大尺寸的特征。
填充和步幅
填充是指在输入的高和宽方向两侧填充元素,通常是0,使高和宽增大。使输出高宽增加。
步幅是卷积核在高宽方向上以stride为每次移动的距离。使输出高宽减小。
填充和步幅默认高宽相同,可以给定列表分别设置
例如 stride = (2,3)
一般情况下,设置的 stride和padding要满足输入输出的形状相同
多输入通道和多输出通道
彩色图片和灰度图片不同的一点是,彩色图片有除高宽外的第三个维度,颜色通道。
由RGB三个颜色通道组成。
多输入通道
此时的卷积核的通道数与输入通道数相同。输出由不同通道与对应的输入通道卷积运算后相加得到。
多输出通道
如果我们希望输出多通道。
为每个输出通道创建一个卷积核,再把所有卷积核连结,成为一个四维卷积核。
连结方式:stack
K = torch.stack([K,K1,K2])
K.shape # torch.Size([3, 2, 2, 2])
1×1卷积
以通道为特征维,高宽维提供样本,可以用来调整网络的通道数,控制模型复杂度,与全连结层等价