最近将以前所学的卷积方面知识复习一下
卷积层 Convolution Layers 是为了提取图像特征
我对于卷积的学习，是从B站上一个up主学习的（[土堆说卷积操作（可选看）_哔哩哔哩_bilibili] (www.bilibili.com/video/BV1hE…
在pytorch的官方文档上，可以看到卷积的参数如下
就是一个输入通道数，一个输出通道数，
一个kernel_size（卷积核尺寸，也可以说是权重weight）,int=3，就是3×3的矩阵；
stride步幅，就是卷积核在图像上移动的距离，默认是1；
pandding就是在输入图像上四边填充的像素数，主要是为了stride移动时，输入图像像素不够的情况下的填充，默认值是0，
dilation是控制卷积核元素之间的距离，默认值是1（空洞卷积）；
bias，偏置，一般不加，后面加了BN层，就不用加了，因为BN层会抵消bias；
ceil—mode，true是ceil模式，false是flood模式，就是向上取整或者向下取整；
卷积核的数值分别与图像上的像素值相乘，就是输出值
卷积层会根据公式计算不同参数值下输入、输出图像的值
例如，3@32×32->32@32×32，宽高不变，通道变成32， 假如使用一个5×5的卷积核，
所以采用（3，32，5，1，2）会宽高不变
假如要用一个7×7的卷积核，把3@600×600变成64@300×300
这里为什么会说padding太大了呢？
因为0<=pading<=(kernrl_size)/2,padding不大于卷积核的一半
而stride取2，padding取3的时候，结果不是整数，为什么还能变成整数呢？
因为卷积层和池化层不一样，卷积是向下取整，池化是向上取整
当stride=2，padding=3时，结果是299.5，向下取整变成299，就符合了
所以采用（7，2，3）会宽高减少一半；
再例如，宽高从416->208,k=3时怎么办？ (416+2p-1*(3-1)-1)/s+1=208
if s=1,(413+2p)/1=207,p不能小于0；
if s=2,(413+2p)/2=207,p=1,415/2=207.5,向下取整=207；
所以采用（3，2，1）会宽高减少一半；
至此，知道了（C_in，C_out，5，1，2）会保证宽高不变，只调整通道数；
（C_in，C_out，7，2，3）会宽高减少一半；
（C_in，C_out，3，2，1）会宽高减少一半；
而使用1×1的卷积，也可以保证宽高不变，只调整通道数；
（C_in，C_out，1），其实是（C_in，C_out，1，1，0）保证宽高不变，只调整通道数；
深度学习训练过程，其实就是对kernrl_size不断调整的过程。
以上就是我关于卷积的学习笔记，如果有不对的地方，可以找我交流。
