)
#灵感be like 酒品见人品 还得看特殊时刻的状态
一、Convolution卷积
1.官网
主要关注二维2d的 Conv2d — PyTorch 2.13 documentation
classtorch.nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True,padding_mode='zeros',device=None,dtype=None)
主要参数到dilation为止
2.两篇文献解释卷积2d
灰度图像只有一个通道
卷积核kernel
卷积操作：卷积核和图像像素进行对应位相乘后 再相加
卷积核一点点移动
卷积操作之后的结果
input channel和output channel
（1）1个输入通道 想得到4个输出通道的
需要4个卷积核来操作
（2）3个通道输入，想得到4个通道输出
需要3*4=12个卷积核来操作(4组 每组3个 卷积核）
R通道和卷积核A进行卷积操作+GB+BC 相加之后得到最后的
Kernel size卷积核大小
通常3*3 ，这个是5*2
Strides步长
比如S(1,3)先纵向
Padding填充
通常是0的黑色
比如下图
原本图像H*W=7*7，现在Padding填充是1×1，则图像变成H*W=9*9
输入通道2，输出通道1，卷积核Kernel是3×3，Padding填充是1×1，步长S纵向横向都是1，膨胀dilation也就是像素间隔也是1×1
Dilation空洞卷积
dilation（膨胀率）就是卷积核内部各个像素点之间的“间隔距离”。
默认
dilation=1：表示像素点之间没有间隔（紧挨着），就是最普通的卷积。
比如下图D（4，2）就是H高度方向间隙为4，W宽度方向间隙为2
最后输出特征图
有计算公式的
卷积核kernel size一般是奇数，
比如kernel size（5，3）就是高为5，宽为3
1*1是改变通道数目，3*3和5*5是提取特征的
验证一下-可视化
Transposed Conv转置卷积
是一种“逆向”的卷积操作，它的核心作用就是把一个【小尺寸的特征图】放大成【大尺寸的特征图】（上采样）
nn.Unfold
对输入进行一个折叠
