pytorch作为目前最火爆的深度学习框架，卷积函数无疑是最为常用的，它具有很强的特征提取功能，与通信中的卷积形式上不太一样，深度学习中的卷积实质上是对矩阵进行互运算
卷积核，在网络中起到将图像从像素空间映射到特征空间的作用，可认为是一个映射函数，像素空间中的值经过卷积核后得到响应值，在特征提取网络中，基本都是使用最大池化来选择最大响应值进入下一层继续卷积，其余响应值低的都进入待定。也就是说，我们认定只有响应值大的才会对最终的识别任务起作用。
Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)
in_channels：输入的通道数 out_channels： 输出的通道数 kernel_size：卷积核的大小，整数，代表卷积核大小为kernel_size*kernel_size，如果是元组:如(2,3),代表卷积核的高和宽为2和3 (前三项是必填项) stride:kernel移动的步长，默认是1 padding: 设置在输入外层填充0,默认不填充, 若值为1,在上下左右各填充一层0 当然也可以使用元组定义在高和宽的不同填充数,8×8 经过(2,3)后大小为12×14 12 = 8 + 2 * 2 dilation：这个参数决定了是否采用空洞卷积，默认为1（不采用） groups：分组卷积 bias： 是否将一个 学习到的 bias 增加输出中，默认是 True padding_mode ： 字符串类型，接收的字符串只有 “zeros” 和 “circular”。
简单使用
import torch import numpy as np X = torch.randn([16,3,64,64])#输入的格式为(b,c_in,h,w) conv2 = torch.nn.Conv2d(3,64,3,stride=1,padding= 0) Y = conv2(X)#输出的格式为(b,c_out,h,w) Y.shape torch.Size([16, 64, 62, 62]) conv2.weight.data.shape#查看模型的权重 torch.Size([64, 3, 3, 3])
以下参考D2L
当stride = 1时，默认padding = 0， 这样每次卷积后输出的高宽都减少2, 使用padding = 1可保持输入输出形状一致。
stride
import torch import numpy as np X = torch.randn([16,3,64,64]) conv2 = torch.nn.Conv2d(3,64,kernel_size=3, padding=1, stride=2) Y = conv2(X) print(Y.shape) torch.Size([16, 64, 32, 32])
