什么是卷积？

1、简单说来卷积就是混合两种信息的流程。
2、本质是一种数学运算。
举例说明：
比如我们要卷积一个图像，那么第一桶信息就是：三个矩阵（RGB三通道），其中每一个值都在0~255之间。
第二桶就是卷积核（kernel）：单个浮点数矩阵，可以想象卷积核的大小和模式为一个搅拌图像的方法。卷积核输出的是一个修改后的图像。称为feature map。

一个公式：

某矩阵经过卷积后的尺寸大小：N=((W-F+2P)/S)+1

比如下面例子： 输入图片的大小为W：3232 卷积核大小F：55 padding P：00 步长S：11 得到的结果就是：N等于28 最终的结果是：162828 （16的来源就是卷积核16个，得到的是16个通道。）

  1. class LeNet(nn.Module):
  2.     def __init__(self):
  3.         super(LeNet, self).__init__()
  4.         self.conv1=nn.Conv2d(3,16,5)        #3表示输入层的深度（通道）。16表示采用16个卷积核。5表示卷积核的大小（5*5）
  5.         self.pool1=nn.MaxPool2d(2,2)        #经过下采样之后，矩阵的大小变为原来的一半（变成16*14*14）
  6.         self.conv2=nn.Conv2d(16,32,5)        #输入的深度已经变成了16，经过第一个卷积层，（32*10*10）
  7.         self.pool2=nn.MaxPool2d(2,2)        #再次经过下采样，可以得到（32*5*5）
  8.         self.fc1=nn.Linear(32*5*5,120)        #展开为一维向量，这里定义了三层全连接层。120是全连接层节点个数
  9.         self.fc2=nn.Linear(120,84)            #
  10.         self.fc3=nn.Linear(84,10)            #做一个具有是十类的分类任务，所以结果就是10
  12.     def forward(self, x):                    #这里是正向传播的过程。
  13.         x=F.relu(self.conv1(x))                #图片经过第一个卷积层，然后通过relu激活函数。
  14.         x=self.pool1(x)                        #经过第一个池化层。
  15.         x=F.relu(self.conv2(x))                #第二个卷积层。
  16.         x=F.view(-1, 32*5*5)                #经过view函数就自动展平，-1代表第一个维度。
  17.         x=F.relu(self.fc1(x))                #经过一个全连接层
  18.         x=F.relu(self.fc2(x))                 #经过第二个全连接层
  19.         x=self.fc3(x)                        #第三个全连接层，不需要softmax函数，已经内置。
  1. transform = transforms.Compose(
  2.     [transform.ToTensor(),
  3.     transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))]
  4.     # 标准化是指：output=(input-0.5)/0.5
  5.     # 反标准化是指：input=output*0.5+0.5=output/2+0.5
  6. )
  8. trainset = torchvision.datasets.CIFAR10(root=./data, train=True
  9.                                        download=Flase, transform=transform)
  10. trainloader=torch.utils.data.Dataloader(trainset, batch_size=36,
  11.                                        shuffle=True, num_workers=0)
  12.                     # windows 系统下，num_workers只能设置为0，其他系统可以考虑其他值
  13.                     # 叫做载入数据的线程数。
  15. testset = torchvision.datasets.CIFAR10(root=./data, train=False
  16.                                        download=Flase, transform=transform)
  17. testloader=torch.utils.data.Dataloader(trainset, batch_size=10000,
  18.                                        shuffle=True, num_workers=0)
  21. test_data_iter = iter(testloader)    # 把数据集转换成一个可以迭代的迭代器。
  22.                                     # 转换为迭代器的作用就是可以医用.next()函数
  23.                                     # 找到下一批数据
  25. test_image, test_label=test_data_iter.next()
  26. classes=('plane','car','bird','cat','deer','dog','frog','horse','ship','truck')
  27. # python语法，如果是圆括号括起来的话，里面的值是不可以改变的。下标从0开始。
  29. #查看下载的图片，需要用到两个包。一个是matplotlib.pyplot as plt，一般我们这样写
  30. #另一个就是numpy包，numpy as np
  32. def imshow(img):
  33.     img=img/2+0.5
  34.     npimg= img.numpy()
  35.     plt.imshow(np,transpose(npimg,(1,2,0)))
  36.     plt.show()
  38. imshow(torchvision.utils.make_grad(test_image))
  39. print(' ',join('%5s'% classes[test_label[j]] for j in range(4)))