卷积函数的概念

• 卷积核从输入特征图的左上角开始，按照设定的步长（Stride）滑动。步长决定了卷积核每次滑动的像素数，这里我们假设步长 s=1。
• 在每次滑动时，卷积核与输入特征图对应位置的元素相乘，然后将这些乘积相加得到一个输出值。

torch.nn.functional 

conv2d卷积函数的参数为例：

参数说明：

input：要求的输入shape为4个。（minibatch，通道，高，宽）

        如果输入的input的shape不符合要求，可以通过torch.reshape来进行reshape。

stride：步数，卷积核移动的步长 

padding：在图像的上下左右进行填充（填充的数一般设置为0），可以指定一个数，也可以指定一个元组。填充的目的是为了增加感受野，充分利用边缘信息，使里面的数被用到的次数均匀一些。

遇见问题1：为什么二维张量卷积后变成了四维张量呢？

解决办法：在进行规范性输入的时候，二维张量reshpe成了四维张量，所以变成了四维张量。

torch.nn

卷积层：

in_chanels:输入图片的数量，比如，输入一个图片就是in_chanel为1.

out_chanels:输出的由卷积后产物的数量，比如out_chanel=1就是卷积后的产物有一个；out_chanel=2就是卷积核会有两个，每个卷积核分别与输入进行卷积，得到两个卷积后的产物，然后两个叠加起来（三明治有两篇面包）就是一个输出。

dilation: 卷积核对应位的距离

bias:对卷积的结果是否加减一个常数。

groups：分组卷积（一半设置为1，很少使用）

padding：在图像的上下左右进行填充（填充的数一般设置为0），可以指定一个数，也可以指定一个元组。填充的目的是为了增加感受野，充分利用边缘信息，使里面的数被用到的次数均匀一些。

padding_mode:填充模式，选择0填充还是1填充。

import torch
import torchvision
from torch.utils.data import DataLoader
from torch import nn
from torch.nn import Conv2d
from torch.utils.tensorboard import SummaryWriter

dataset=torchvision.datasets.CIFAR10('./dataset',train=False,transform=torchvision.transforms.ToTensor(),download=True)

dataloader=DataLoader(dataset,batch_size=64)
class WWJ(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 =Conv2d(in_channels=3,out_channels=6,kernel_size=3,stride=1)

    def forward(self,x):
        x=self.conv1(x)
        return x

wang=WWJ()

print(wang)

# write=SummaryWriter('logs')
# step=0
for data in dataloader:
    imgs,targets=data
    output=wang(imgs)
    # print(imgs.shape) #torch.Size([64, 3, 32, 32])
    # print(output.shape)  #torch.Size([64, 6, 30, 30])
    # write.add_images("input",imgs,step)
    # write.add_image("output",output,step)
    # step=step+1