数学基本知识2-卷积输入输出通道计算和如何绘制网络的tensorboardx图

数学基本知识2-卷积输入输出通道计算

卷积的计算，涉及输入通道，输出通道，步长，卷积核大小等，在神经网络的计算中，计算输入输出的通道是设计网络的关键。本文主要介绍了卷积输入输出的主要方法和采用tensorboardx查看网络模型的介绍。

一、nn.Conv1d 一维卷积计算

（1）一维的卷积能处理多维数据

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；
  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，可以是int，或tuple；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，与kennel_size类似，stride=2,意味在所有维度步长为2， stride=（2,3），意味着在第一维度步长为2，意味着在第二维度步长为3；
  padding：　零填充
  

（2）代码示例

// An highlighted block
import torch
import torch.nn as nn
import torch.nn.functional as F
from tensorboardX import SummaryWriter

x = torch.randn(10, 16, 30, 32, 34)
# batch, channel , height , width
print(x.shape)


class Net_1D(nn.Module):
    def __init__(self):
        super(Net_1D, self).__init__()
        self.layers = nn.Sequential(
            nn.Conv1d(in_channels=16, out_channels=