03-03-mp4-nn网络层-卷积层.mp4

卷积conv

卷积过程，类似于用一个模板，去图像上寻找与它相似的区域，与卷积核模式越相似，激活值越高，也就是特征图对应的位置参数越高，从而实现相同特征的提取

卷积运算，对应位置先相乘，而后把相乘的数再进行相加求和

一个卷积核在一个信号上是几维卷积，就是几维卷积

通常会涉及多个信号和多个卷积核的操作，比如在RGB三通道上，三个卷积核进行的是2D的二维卷积操作，而不是看有几个卷积核就是几维卷积！

nn.Conv2d 对多个信号进行二维卷积

RF1默认为1

根据公式，L2层的感受野=1+(3-1)=3

L3层的感受野=3+(3-1)=5

output_channels:输出通道数，也就是输出特征图的输出数量，等价于kernel的个数

dilation: 空洞卷积大小，默认为1。一般用于图像分割任务，从而增大感受野，增大感受野有利于图像分割，输出图像的一个像素能看到输入图像更大的区域

感受域：（感受野）

不管结点多深，感受域的大小始终是指输入原图的区域大小，而不是上一层的区域大小

RF1默认为1

根据公式，L2层的感受野=1+(3-1)=3

L3层的感受野=3+(3-1)=5

输出尺寸计算

dilation=1，padding=0时

三维张量实现二维卷积

输入是RGB三个通道的二维图像，其tensor是三维，然后创建三个二维的卷积核，三个卷积核分别对应三个通道channels进行卷积操作，最后三个通道的卷积结果相加，再加上偏置项bias，才得到特征图的一个像素点的值！

在这里，一个卷积核在两个维度上进行滑动，所以是二维的卷积操作！

转置卷积：用于对图像上采样UpSample