卷积的输出形状

填充（padding）：扩大输出维度，防止过多信息损失

--卷积核通常都为奇数

import torch
from torch import nn


# 为了方便起见，我们定义了一个计算卷积层的函数。
# 此函数初始化卷积层权重，并对输入和输出提高和缩减相应的维数
def comp_conv2d(conv2d, X):
    # 这里的（1，1）表示批量大小和通道数都是1
    X = X.reshape((1, 1) + X.shape)
    Y = conv2d(X)
    # 省略前两个维度：批量大小和通道
    return Y.reshape(Y.shape[2:])

# 请注意，这里每边都填充了1行或1列，因此总共添加了2行或2列
conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1)
X = torch.rand(size=(8, 8))
comp_conv2d(conv2d, X).shape

conv2d = nn.Conv2d(1, 1, kernel_size=(5, 3), padding=(2, 1))
comp_conv2d(conv2d, X).shape

步幅（stride）：为了高效计算或是缩减采样次数，卷积窗口可以跳过中间位置，每次滑动多个元素。（通常取2）

填充和步幅可用于有效地调整数据的维度。

通道（channel）：灰度 or RGB

1、多输入通道

对每个通道设置相应的卷积核，再进行通道元素相加

2、多输出通道

直观地说，我们可以将每个通道看作对不同特征的响应。而现实可能更为复杂一些，因为每个通道不是独立学习的，而是为了共同使用而优化的。因此，多输出通道并不仅是学习多个单通道的检测器。

在互相关运算中，每个输出通道先获取所有输入通道，再以对应该输出通道的卷积核计算出结果。
其实就是利用多个卷积核分别取对输入进行卷积操作，相当于每个输出口是用于提取某一特征（如垂直边缘信息，水平边缘信息等）

当前层的多输出，对下一层相当于多输入，将他们的特征组合起来再进行后续的操作。

1*1卷积层：融合通道中的信息，就是通道中的全连接（不识别空间模式）

多输入多输出各层的形

import torch
from d2l import torch as d2l

def corr2d_multi_in(X, K):
    # 先遍历“X”和“K”的第0个维度（通道维度），再把它们加在一起
    return sum(d2l.corr2d(x, k) for x, k in zip(X, K))
```
# 多通道，就是针对多种特征进行提取再进行堆叠
def corr2d_multi_in_out(X, K):
    # 迭代“K”的第0个维度，每次都对输入“X”执行互相关运算。
    # 最后将所有结果都叠加在一起
    return torch.stack([corr2d_multi_in(X, k) for k in K], 0)
# 这里主要要注意各种矩阵的维度
def corr2d_multi_in_out_1x1(X, K):
    c_i, h, w = X.shape
    c_o = K.shape[0]
    X = X.reshape((c_i, h * w))
    K = K.reshape((c_o, c_i))
    # 全连接层中的矩阵乘法
    Y = torch.matmul(K, X)
    return Y.reshape((c_o, h, w))
X = torch.normal(0, 1, (3, 3, 3))
K = torch.normal(0, 1, (2, 3, 1, 1))

Y1 = corr2d_multi_in_out_1x1(X, K)
Y2 = corr2d_multi_in_out(X, K)
assert float(torch.abs(Y1 - Y2).sum()) < 1e-6

池化（pooling）层，它具有双重目的：降低卷积层对位置的敏感性，同时降低对空间降采样表示的敏感性。

步幅与池化窗口大小相同（默认）

卷积用于融合多个通道，而池化是对每个通道进行处理（就是只处理一下数据）

使用最大汇聚层以及大于1的步幅，可减少空间维度（如高度和宽度）。
汇聚层的输出通道数与输入通道数相同。

跟李沐学AI随记-9-卷积神经网络-2-填充、步幅、通道与池化

多输入多输出各层的形