pytorch基础学习1

pytorch之二维卷积

---

---

一、 卷积简述

   通常对于由多个维度组成的输入信号可以用二维卷积。较为简单的模式是，输入大小为(N,C,H,W),卷积过后的输出为(N,C,H,W)。N是每个批次的样本数目，C是输入样本的通道数目，H是输入样本的高度，W是输入样本的宽。

二、 卷积要点

1 Padding
在Tensorflow中padding有两种属性，一种是valid，这种表示不需要padding操作，假设输入大小为nn,卷积核大小为ff，此时输出大小为（n-f+1)；另一种是same，表示输入和输出的大小相同，假设padding的大小为p，此时为了保持输出和输入消息相同p = (f-1)/2，但是此时卷积核要是奇数大小。
2 Stride
stride是指卷积核在输入上移动时每次移动的距离，直接上图来说明。其中按红框来移动的话stride = 1;按蓝色框来移动的话stride = 2。加入stride后，输出的计算有一些变化，假设输入大小为nn，卷积核大小为ff，padding大小为p，stride大小为 s,那么最后的输出大小为：

3 多通道计算
卷积核除了长宽这两个参数之外还有通道数这个参数，首先需要明确的是单个卷积核的通道数要等于图像的通道数，一般图像是RGB模式的话，卷积核的大小为h* w*3。只有一个卷积核的时候，图像经过卷积计算后的结果通道数是一维的，计算方法也简单粗暴每个通道的对应位置相乘然后，不同通道数之间相加。一般卷积核不止一个，对于多个卷积核的情况也不复杂，直接对每个卷积核进行单个卷积核的操作，然后把它们拼在一起就行了。
输出通道数等于卷积核的数量。
4 dropout和dropconnect提升模型准确率
DropConnect与Dropout不同的地方是在训练神经网络模型过程中，它不是随机的将隐层节点的输出变成0，而是将节点中的每个与其相连的输入权值以1-p的概率变成0

三、部分参数

class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

stride:步长，控制卷积核每经一次卷积计算后移动的长度；

padding(int or tuple, optional) ：填补，输入的每一条边补充0的层对输入的样本数据进行宽高等维度上加零扩大；

dilation(int or tuple, optional):膨胀，对卷积核的核点间的距离进行控制，从而扩大卷积核的视野；

groups: 群组(int, optional) – 从输入通道到输出通道的阻塞连接数，控制输入和输出之间的联接， in_channels and out_channels都能被groups整除。group=1，输出是所有的输入的卷积；group=2，此时相当于有并排的两个卷积层，每个卷积层计算输入通道的一半，并且产生的输出是输出通道的一半，随后将这两个输出连接起来。

参数kernel_size，stride,padding，dilation也可以是一个int的数据，此时卷积height和width值相同;也可以是一个tuple数组，tuple的第一维度表示height的数值，tuple的第二维度表示width的数值；

kerner_size(int or tuple) - 卷积核的尺寸
weight(tensor) - 卷积的权重，大小是(out_channels, in_channels,kernel_size)
bias(tensor) - 卷积的偏置系数，大小是（out_channel）

---