2. 术语学习
1.kernel
kernel是一个矩阵，可在图像上滑动并与输入相乘
2.Filter
filter是多个kernel的串联，每个kernel分配给输入的特定通道。
filter总是比kernel大一维。例如，在2D卷积中，filter是3D矩阵、
一个卷积层一般中包含多个Filter
3.卷积
就是一次矩阵滑动的过程，有一维，二维，单通道二维，多通道二维，三维等等。
4.转置卷积
反卷，增大尺寸。
5.卷积核
进行卷积的时候需要权值加权平均，这个权值由一个函数给出，即卷积核。
6.CNN步长
矩阵滑动一次的长度。
7.填充
矩阵滑动的过程中会越界，填充啥数。
8.损失函数
损失函数代表预测值和真实值的不一致程度。损失函数越小，鲁邦性越好。
3.代码分析
1.nn.Conv2d
1、nn.Conv2d(in_channels，out_channels，kernel_size，stride=1，padding=0，dilation=1，groups=1，bias=True)
in_channels：输入维度
out_channels：输出维度
kernel_size：卷积核大小
stride：步长大小
padding：补0
dilation：kernel间距
groups(int, optional) ： 从输入通道到输出通道的阻塞连接数
————————————————
版权声明：本文为CSDN博主「张泽远-」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_45798280/article/details/110226826
2. nn.ConvTranspose2d
2、nn.ConvTranspose2d的功能是进行反卷积操作
nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1)
padding(int or tuple, optional) - 输入的每一条边补充0的层数，高宽都增加2*padding
output_padding(int or tuple, optional) - 输出边补充0的层数，高宽都增加padding
输出尺寸计算：
output = (input-1)stride+outputpadding -2padding+kernelsize
————————————————
版权声明：本文为CSDN博主「张泽远-」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_45798280/article/details/110226826
3.nn.relu(inplace)
线性整流函数，大于0的不变，小于0的为0。
参数inplace=True：inplace为True，将会改变输入的数据，
否则不会改变原输入，只会产生新的输出
也就是传参还是传指针的区别。
4. nn.BatchNorm2D()
在卷积神经网络的卷积层之后总会添加BatchNorm2d进行数据的归一化处理，这使得数据在进行Relu之前不会因为数据过大而导致网络性能的不稳定，BatchNorm2d()函数数学原理如下：
BatchNorm2d()内部的参数如下：
1.num_features：一般输入参数为batch_size*num_features*height*width，即为其中特征的数量
2.eps：分母中添加的一个值，目的是为了计算的稳定性，默认为：1e-5
3.momentum：一个用于运行过程中均值和方差的一个估计参数（我的理解是一个稳定系数，类似于SGD中的momentum的系数）
4.affine：当设为true时，会给定可以学习的系数矩阵gamma和beta
————————————————
版权声明：本文为CSDN博主「颜丑文良777」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/bigFatCat_Tom/article/details/91619977
5. nn.Sequential（）
一个有序的容器，神经网络会在里面按照顺序运行。
|