1. 图像基本概念2. CNN概述3. 卷积层3.1 卷积计算卷积计算 本质上是 卷积核 和 输入数据的局部区域 间做点积计算规则从左到右从上到下3.1.1 Padding 填充 - 填充的像素个数通过上面的卷积计算过程最终的特征图比原始图像小很多如果想要保持经过卷积后的图像大小不变, 可以在原图 周围添加 padding 来实现.Padding 1上下左右各填1个像素3.1.2 Stride 步长 - 移动的像素个数按照步长 Stride 来移动卷积核Stride 1 默认1步3.2 多通道卷积计算计算规则每个通道 独立卷积后的值之和3.3 多卷积核卷积计算可理解为多组 多通道卷积计算每个卷积核卷积一张特征图所有特征图 堆叠Stack3.4 特征图大小3.5 PyTorch卷积层 API4. 池化层4.1 池化层计算池化层 (Pooling) 降低维度缩减模型大小提高计算速度4.2 多通道池化层计算在处理多通道输入数据时池化层对每个输入通道分别池化而不是像卷积层那样将各个通道的输入相加。这意味着池化层的输出和输入的通道数是相等。池化是不会改变通道数原本几通道经过池化处理还是几通道卷积可以改变通道数4.3 PyTorch 池化 API