Pytorch-卷积神经网络的运算流程（上）

首先看卷积过程

kernel可理解为“小窗口”。

这里注意由于原图为28*28，经过kernel取特征点后，feature map变为26*26，即边缘无法重复累计。这里也可以用后续讲的padding（补丁）操作进行处理。

若有多个kernel进行检测，

会生成多个特征图.

由[1, 28, 28]=>[k个kernel, 1, 3, 3]=>[k, 26, 26]

具体kernel计算过程

每次小窗口移动，便在右侧的feature map上生成新的数据。

若在原图上进行padding操作，即在原图上将28*28变为29*29（边缘全设为0），这样可保证后面的feature map的size与原图片的size相同。

这样生成的feature map上也会变为6*6。

为更好的进行理解，这里对相关定义参数进行总结汇总

Input_size指原始函数的channel通道，若原图为黑白图片，Input_size为1，若原始为彩色图片，Input_size为3.也可以是上层传入的通道数量和。

Kernel_channels指核的数量，如前文所提到的edge核、blur核等。

Kernel_size指小窗口的大小，本节均设为3*3.

Stride指步长大小可设为1，2，代表小窗口在原图上进行移动时的间距，不设置默认为0.

Padding指补丁大小，可设为1，2，不设置默认为0.