yolo v3的网络结构（二）

yolo v3的网络结构（二）

还是先上在学习Yolo时不是很清楚的点。

---

Conv2d

有Conv1d和Conv2d。前者是一维的卷积，能处理多维数据；后者是二维卷积，可以处理二维数据。

以Conv2d为例，用代码表示：

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(2,2)， kennel_size=（2,3），意味着卷积大小（2，3）即非正方形卷积；
  stride：步长，默认为1，与kennel_size类似，stride=2,意味着步长上下左右扫描皆为2， stride=（2,3），左右扫描步长为2，上下为3；
  padding：　零填充。

例子：当输入数据X[10,16,30,32],其分别代表：10组数据，通道数为16，高度为30，宽为32时。