土堆说卷积操作（可选看）
主要来学习关于神经网络中的一些基本的神经结构的使用
Convolution Layers(卷积层)
nn.Conv1d->对由多个输入平面组成的输入信号进行一维卷积。
nn.Conv2d->对由多个输入平面组成的输入信号进行二维卷积。
nn.Conv3d->对由多个输入平面组成的输入信号进行三维卷积。
Conv2d，用代码的方式据一些例子，看看卷积是如何计算的，或者说图像中如何运用卷积操作
左侧API中，有以下两个：
torch.nn
torch.nn.functional
torch.nn是对functional进行一个封装，更利于我们使用
想更细致的了解一下卷积的操作，需要学习torch.nn.functional
其实学会了torch.nn即可，torch.nn.functional不需要了解
Parameters: input, weight, bias, stride, padding, dilation, groups
输入图像（5×5），卷积核（3×3），stride=1走一步，输入图像×卷积核=卷积后的输出
the stride of the convolving kernel. Can be a single number or a tuple (sH, sW). Default: 1
横向步进、纵向步进，默认为1
import torch
import torch.nn.functional as F
input = torch.tensor([[1, 2, 0, 3, 1],
[0, 1, 2, 3, 1],
[1, 2, 1, 0, 0],
[5, 2, 3, 1, 1],
[2, 1, 0, 1, 1]])
kernel = torch.tensor([[1, 2, 1],
[0, 1, 0],
[2, 1, 0]])
print(input.shape)
print(kernel.shape)
input = torch.reshape(input, (1, 1, 5, 5))
kernel = torch.reshape(kernel, (1, 1, 3, 3))
print(input.shape)
print(kernel.shape)
output = F.conv2d(input, kernel, stride=1)
print(output)
output2 = F.conv2d(input, kernel, stride=2)
print(output2)
output3 = F.conv2d(input, kernel, stride=1, padding=1)
print(output3)
返回：
torch.Size([5, 5])
torch.Size([3, 3])
torch.Size([1, 1, 5, 5])
torch.Size([1, 1, 3, 3])
tensor([[[[10, 12, 12],
[18, 16, 16],
[13, 9, 3]]]])
tensor([[[[10, 12],
[13, 3]]]])
tensor([[[[ 1, 3, 4, 10, 8],
[ 5, 10, 12, 12, 6],
[ 7, 18, 16, 16, 8],
[11, 13, 9, 3, 4],
[14, 13, 9, 7, 4]]]])
这里的维度顺序通常是 (batch_size, channels, height, width)，这是PyTorch中CNN的标准输入格式
这样的形状(1, 1, 5, 5)往往是将一个5x5的二维数据（比如一个 5x5 的灰度图像区域）转换成一个符合CNN输入要求的4维张量（批量大小、通道数、高度、宽度）。
原始资料地址：
土堆说卷积操作（可选看）
如有侵权联系删除 仅供学习交流使用