卷积的理解

input的格式：batch, channel, width, height

• batch即为configuration中的batch size， 每一次从dataloader中取出来的数量
• channel：也被称为feature map, 图片通道的数量，MNIST黑白的为单通道，彩色图片为3通道RGB, 经过卷积可以由更多的channel，由核的个数决定
• width和height为图片的宽和高

卷积的直观理解

• Conv2d可以直接控制channel的数量的改变，但是图像的大小的变化需要自己来根据kernel的大小还有padding，stride来实际计算，
  kernel = 3*3会减2，kernel = 4*4会减3

• 卷积可以理解为：图片不断变小（如果没有padding， stride的话），然后channel也即feature map的数量不断改变

• 因为是一层叠一层，所以Conv2d的前两个参数input_channel和output_channel会有顶针的形式出现:(a,b), (b,c),(c,d)最后图片的channel的数量, 由a变为了d

• 下面的例子就是从nc(原始的channel的通道),到ndf,又经过了（ndf,ndf*2）,(ndf*2,ndf*4)…最后变成了1

卷积代码实例：torch.nn.Conv2d

• Conv2d的参数：input_channel,output_channel,kernel_size, stride, padding,…
  

• 来自pytorch dcgan tutorial的卷积代码： 注意nn.Conv2d部分：

class Discriminator(nn.Module):    
	def __init__(self, ngpu):        
		super(Discriminator