卷積神經網絡（包含代碼與相應圖解）

1.卷積神經網絡中的相關計算問題

（1）單純的二維卷積

（2）加入填充（padding）
注：下圖中的ph為在代碼中設置的padding值的二倍

（3）加入填充（padding）和步幅（stride）

卷積核和過濾器（fliter）是有區別的，卷積核是二維概念，過濾器由一個或者多個卷積核拼成。

2.通過一個實例學習卷積神經網絡的構建

通過以下代碼構建上圖的神經網絡

class ConvNet(nn.Module):
    def __init__(self):
        super(ConvNet, self).__init__()
        self.layer1 = nn.Sequential(
            nn.Conv2d(1, 32, kernel_size=5, stride=1, padding=2),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.layer2 = nn.Sequential(
            nn.Conv2d(32, 64, kernel_size=5, stride=1, padding=2),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2))
        self.drop_out = nn.Dropout()
        self.fc1 = nn.Linear(7 * 7 * 64, 1000)
        self.fc2 = nn.Linear(1000, 10)
	def forward(self, x):
    	out = self.layer1(x)
    	out = self.layer2(out)
    	out = out.reshape(out.size(0), -1)
    	out = self.drop_out(out)
    	out = self.fc1(out)
    	out = self.fc2(out)
    	return out

3.卷積神經網絡相關內容

卷積層裏的填充和步幅

當卷積核比較大或者經過多次卷積後圖像的過小此時考慮通過填充操作來緩解

當輸入圖片大小比較大時，在小的卷積核下要經過很多層計算才能實現






8-5+1+4=8
8-3+1+2=8

8 / 2 = 4

（8-3+0+3）/3=2
（8-5+2+4）/4=2

卷積層裏的多輸入多輸出通道