一起来学PyTorch——神经网络（卷积层）

1. 卷积层

卷积是分析数学中的一种运算，本质时使用卷积核的参数来提取数据的特征，通过矩阵点乘运算与求和运算来得到结果。

从左到右分别为，卷积核、特征图和卷积结果。特征图的通道数为1，大小为4*4，特征图周围一圈的0称为填充，想了解到同学可以评论，这里不详细解释。卷积核先与左上角的3*3对应相乘后累加，作为一个结果，即卷积结果的左上角。然后卷积核在特征图上滑动，完成相同计算过程。

from torch import nn
# 使用过torch.nn中的Conv2d()搭建卷积层
conv = nn.Conv2d(in_channels=1, out_channels=1, 
                    kernel_size=3, stride=1, 
                    padding=1, dilation=1,
                    group=1, bias=True)

input = torch.ones(1, 1, 5, 5)
output = conv(input)

简单介绍一下Conv2d()中的参数：

.in_channels：输入特征图的通道数。如RGB图像，通道数为3。

.out_channels：输出特征图的通道数。

.kernel_size：卷积核的尺寸，常见的有1，3，5，7。

.stride：步长，即卷积核在特征图上滑动的步长，一般为1。

.padding：填充，常见的有零填充、边缘填充等。默认为零填充。

.dilation：空洞卷积，当大于1时可以增大感受野的同时保证特征图的尺寸，默认为1。

.groups：可以实现组卷积，即在卷积操作时不是逐点卷积，而是将输入通道分为多个组。

.bias：是否需要偏置，默认为True。卷积核每一次累加运算中，需额外加偏置值。