前言

  本系列主要是对pytorch基础知识学习的一个记录，尽量保持博客的更新进度和自己的学习进度。本人也处于学习阶段，博客中涉及到的知识可能存在某些问题，希望大家批评指正。另外，本博客中的有些内容基于吴恩达老师深度学习课程，我会尽量说明一下，但不敢保证全面。

一、前置知识

  上图就是一个多过滤器（过滤器也被称作为卷积核）卷积层的操作，输入为（6，6，3）的矩阵，输出为（4，4，2）的矩阵。

  对于输入（6，6，3）矩阵，我们称前两位（6，6）为"宽"和"高"，最后一位"3"为通道数（channels）。
  卷积核的宽和高（一般称为kernel_size，卷积核的形状一般为正方形，即宽和高相同）可以和输入不同，但是通道数必须与输入相同。从图中可以看出卷积核可以有降维的作用。卷积核可以允许有多个，最后卷积层输出值的维度与卷积核的个数相同。

二、torch.nn.Conv2d

  pytorch官方文档对于Conv2d的解释为：

  可以看出Conv2d初始化参数挺多的，其中 ==stride== 表示步长；==padding== 设置填充的值，一般为0；==bias== 表示是否添加偏移向量；== padding_mode== 表示填充的类型，这些参数也比较重要，但是我们重点要讨论的参数是 ==in_channels== ，==out_channels==，==kernel_size== 。

   ==in_channels== 代表的是输入通道数，如果是一张彩色图像的话，通道数一般为3，代表RGB。==out_channels== 代表的是输出通道数，==kernel_size== 代表的是卷积核的大小。

1.初始化Conv2d需要传入输入的通道数，但是不需要传入输入的"宽"和"高"
2.out_channels 代表的是输出通道数，也就是卷积核的数量
3.kernel_size表示卷积核的大小，即卷积核的"宽"和"高"，如果传入的是一个数则表示卷积核的高和宽相同，可以传入一个元组来设置卷积核的长和宽不同。

  通过设置 ==in_channels== ，==out_channels== 和 ==kernel_size== 就可以初始化一个简单的卷积层。需要注意的是，卷积层并不关心你输入样本的高和宽，==out_channels== 是输出通道数也就是卷积核的数量。

  初始化卷积层后，我们需要将样本数据送入计算，根据pytorch的官方文档，输入要求的维度为（样本数，通道数，高度，宽度）。但是我们通常读取图片并进行批处理后的维度为（样本数，高，宽，通道数），需要再进行维度的转换，==permute()== 就可以完成这个操作。

三、torch.nn.Conv1d

  Conv2d通常是处理图像这种高维输入，Conv1d处理文本这种低维输入。pytorch官方文档对Conv1d的解释如下：

  单从参数上来看其实和Conv2d差别不大，这里不再做过多的解释。图像中的宽，高和通道数其实挺好理解的，但是应用到文本问题中其实并不是特别直观，这部分我主要参考了pytorch之nn.Conv1d详解 这篇博客，一般而言我们将词向量的长度作为通道数。

conv1 = nn.Conv1d(in_channels=256，out_channels=100,kernel_size=2)
input = torch.randn(32,35,256)
# batch_size x text_len x embedding_size -> batch_size x embedding_size x text_len
input = input.permute(0,2,1)
out = conv1(input)

  这里给出了一个简单的例子，我们随机初始化了一个维度为（32，35，256）的tensor矩阵，32表示batch_size，35表示句子最大长度，256表示词向量长度。我们将其送到卷积层之前需要进行维度转换，根据pytorch的官方文档，输入的维度应该为（样本数，通道数，句子长度），所以要将矩阵从（32，35，256）转换为（32，256，32）。
  这里输出通道设置为100，表明有100个卷积核。卷积核的大小为2，卷积核的通道数要和输入的通道数一致，所以单个卷积核的维度为（256，2）。单个样本计算过程如下：

  所以单个样本经过卷积操作后，维度变为（1，34），一共有100个卷积核则单个样本的输出为（100，34），批处理操作时一次处理32个样本，所以最终的输出维度为（32，100，34）。