CNN中各参数的意义

太久没碰深度学习了，复习复习：

关键参数：

（参数英文名基于pytorch中的Conv2d()）
输入大小（$H_{input}\times W_{input}\times C_{input}$）
卷积核大小（$H_{output}\times W_{output}\times C_{output}$，其中$C_{output}$代表卷积核层数，也带代表输出特征图层数）
步长stride（$S$）、膨胀padding（$P$）
卷积核数量out_channels（$C_{output}$）
其中，输入大小、卷积核大小、stride、padding将决定输出特征图一层的尺寸，其计算公式为：
$$H_{output}=\frac{H_{input}-F+2P}{S}+1$$
其中，$F$为卷积核大小
输出特征图的层数：
$$C_{output}$$

torch中尺寸的问题

(N,C,H,W)
批次大小、层数、高度、宽度

torch中Conv2d需要注意的问题：

1. 只接受torch.float32类型，转化方法：变量.to(torch.float32)
2. groups参数不为1时需要满足groups=out_channels,groups为1时，out_channels随意