CNN中的卷积运算是为了特征提取。
卷积操作：
importtorchimporttorchvisionimporttorch.nn.functionalasffromtorchimportnfromtorch.nnimportconv2dfrom torch.utils.datils mmarywriter#输入数据input=torch.tensor ([ 1，2，0，3，1 ]，[ 0，1，2，3 ]，1 ) )卷积核kernel=torch.tensor () 0] )大小转换input=torch.reshape ) input 3)3*3print(input.shape ) print (kernel.shape ) #卷积操作stride是output 16，16 ]，# [ 13，9，3 ] (output2=f.conv 2d (input，kernel，stride=2) print (output2) #tensor ) ) ) kernel，stride=1，padding=1) print ) ) ) output3) )用0填充6 )、# [ 7，18，16，16，8 ]、# [ 11，13，]
图片展示卷积操作流程：
原型： conv2d(in_channels，out_channels，kernel_size，stride=1，padding=0，dilation=1，groups=1，bias=)
参数：
in_channels :输入的通道数
out_channels :要输出的通道数
kernel_size :卷积核的大小
#使用conv 2d dataset=torch vision.datasets.cifa r10 (root='./dataset '，train=False， transform=torch vision.trannsion download=true (数据加载器=数据加载器(数据集，batch_size=64 ) classnnmodule ) self(_init_ () # kernel_size:卷积核大小self.con v1=conv 2d (in _ channels=3，out_channels=6， kernels x ) :x=self.conV1(x ) # 对x执行卷积操作的return xnnModule=NnModule ) ) writer=summarywriter(logs ' ) step=0fordataindater targets=data output=nnn imgs ) imgs是网络的输入print ) imgs.shape ) torch.size ([ 64，3，32，32 ] ) print ) outpput 30 )- [xxx，3，30，30