pytorch学习笔记---CNN_torch cnn参数

在做全连接的时候，图像所有行都给拉平成一行，使得俩个距离比较远的值实际在图上上可能是离得比较近的，所以全连接不能保留原始空间信息，丧失原始空间信息。

下采样Subsampling后 通道数不会变，W,H会变。

Subsampling的目的是减少元素数量，降低计算量

每一个通道对应一个卷积核

卷积核的通道数=原通道数

卷积核的组数=卷积后的通道数

每一个filter的channel和原始输入的channel一致  filter的个数和输出通道的个数一致

torch.Size([1,5,100,100])  1是batch, 5是输入通道大小 图像大小100×100

torch.Size([1,10,98,98])  10是输出通道大小 图像大小 98×98

torch.Size([10,5,3,3]) 10是输出通道大小，5是输入通道大小，3,3是卷积核的尺寸，就是m * n * kernel_size_w * kernel_size_h 这个公式

卷积核的大小和图像的大小没有关系

卷积依然是线性计算

kernel.data相当于是对kernel做了初始化

stride是步长

max pooling 是下采样的一种

对同一个通道进行max pooling

用显卡加速

1. 模型的参数扔到device中

2. 参与计算的train和test中的张量扔到device中