10卷积神经网络（初级）
二维卷积神经网络
放进卷积层，然后使通道数提升
下采样层中通道数是不变的
但是宽高会变
目的减少数据量，降低运算的需求
00:05:59.344
再做一次5x5的卷积
然后2x2的下采样
最后要把三阶向量展开成一维向量
就是挨个排序
00:07:13.014
然后利用全连接层来映射到10个输出
利用各种层，进行维度变换
卷积+下采样=特征提取器
图像：
rgb图像
栅格图像
00:11:25.291
00:25:19.212
取出来一个图形块
对图像块进行卷积
依次移动
输出通道数
00:28:20.851
00:29:22.737
这个就是单通道卷积的形象表示
三通道卷积
00:31:02.697
每一个通道设置一个卷积核
00:32:17.903
最后三维变成1维
00:33:10.285
由于kernel
是3x3的所以 h和w减二
n个通道，就需要n个卷积核
00:39:22.814
00:40:45.478
输入输出通道，
所有输入的数据都应是小批量的
生成随机输入数据
conv_layer卷积层
输入通道数量
输出通道数量
kernel大小
把创建的对象输入到卷积层中
输入5各通道 100X100长宽
输出10个通道 10 ，98，98
10是输出通道数5输入通道，3，3是卷积核大小
如果我们想要获得5X5的图像，而不是卷积过后3x3的
我们可以在input外围添加一圈
00:46:00.422
7x7 * 5x5 -> 5x5
最常见的就是填充0
这里的B是batch——size
构建一个卷积层
前两个变量，一个是输入通道，一个是输出通道数
pading 就是上图填0
构建卷积核
00:48:57.849
输出、输入、宽度、高度
这里对卷积层进行了初始化
如果要输出2x2的
这里就要求stride这个参数为2，也就是步长为2，一次移动两格（长宽都一样
00:49:51.532
00:50:04.802
这个可以有效降低输出的宽高
00:50:33.270
代码变动在这里
下采样
最大池化层
分成2x2的区间，然后再这个各格子内，找最大值
与通道无关，所以变换过后，通道数不变
00:51:51.468
笨比了
5x5的kernel会导致图像长宽变小4
这个可以自己画个图理解一下
00:53:18.662
进行一个最大池化
00:53:41.142
输入通道和输出通道00:54:00.492
320个元素进行向量化，经过全连接层，映射成10
00:56:19.190
下面将全连接的网络改成卷积神经网络
00:56:46.689
00:57:02.712
relu是进行激活
00:57:43.856
00:58:42.200
右边代码和左图有点不一样
右边代码是是
做完卷积之后先做的池化，然后做的激活
00:59:43.641
view目的就是让其映射到全连接网络所需要的输入
fc就是使用全连接层进行变换
由于要进行交叉熵损失计算，所以最后一层不需要进行激活
