神经网络卷积层Conv2d的使用

        in_channels是输入的图片的channel数；out_channels是输出的通道数 ；kernel_size用来设置卷积核的大小，卷积核的初值是某个分布中的采样，随着训练的进行，值是不断变化的；stride是步径，卷积核移动的格数；padding是输入的外围拼接的大小。

        out_channels取决于卷积核的数量，卷积核也有in_channels参数，该参数取决于需要进行卷积操作的数据的channels。例如，6*6*3的图片样本，使用3*3*3的卷积核，输入图片的channel为3，则卷积核的in_channels也为3，卷积就是对应27个数相乘后求和，依次进行，得到了4*4*1的结果，则out_channels为1，若使用两个卷积核，则4*4*2的结果，out_channels为2。

import torchvision
from torch import nn
from torch.nn import Conv2d
from torch.utils.data import DataLoader

dataset = torchvision.datasets.CIFAR10("./dataset", False, transform=torchvision.transforms.ToTensor(), download=True)
dataloader = DataLoader(dataset, batch_size=64)

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.conv1 = Conv2d(in_channels=3, out_channels=6, kernel_size=3)

    def forward(self, x):
        return self.conv1(x)

上面创建好了数据集以及神经网络的框架，对数据集进行训练：

model = Model()
for data in dataloader:
    imgs, targets = data
    output = model(imgs)#因为已经转换为tensor类型数据，所以可以直接传入。
    print(output.shape)
    print(imgs.shape)

运行结果为：

torch.Size([64, 6, 30, 30])
torch.Size([64, 3, 32, 32])
torch.Size([64, 6, 30, 30])
torch.Size([64, 3, 32, 32])... ...

        因为dataloader的batch_size为64，out_channels设置为6，输入的图片大小为32*32，而kernel_size（卷积核）为3，则根据卷积运算过程可知输出的大小为30*30，所以输入为64*3*32*32，输出为64*6*30*30。实现图片的可视化，因为add_images函数有形状要求：

Shape:
    img_tensor: Default is :math:`(N, 3, H, W)`. If ``dataformats`` is specified, other shape will be
    accepted. e.g. NCHW or NHWC.

通道数只能为3，所以需要先进行形状的转换，在进行可视化：

model = Model()
writer = SummaryWriter("logs")
step = 0
for data in dataloader:
    imgs, targets = data
    output = model(imgs)#因为已经转换为tensor类型数据，所以可以直接传入。
    writer.add_images("input", imgs, step)
    output = torch.reshape(output, [-1, 3, 30, 30])
    writer.add_images("output", output, step)
    step += 1

reshape的第一个参数-1表示根据其他数据自行调整。原来的6通道变为3通道，而30*30没有变化，那么就是batch_size进行了两两拼接，变为了原来的2倍。接着打开Tensorboard进行查看：

---

        比如说常用的vgg16：

        开头输入in_channels为3，经一次转换后，out_channels为64，224*224没有发生变化，是因为设置了padding参数，形状大小的计算可以由公式得到：