沐神版《动手学深度学习》学习笔记，记录学习过程，详细的内容请大家购买书籍查阅。

b站视频链接
开源教程链接

卷积层里的填充和步幅

应用5x5大小的卷积核，输入32x32，输出会变为28x28。
更大的卷积核更快地减小输出大小。
导致网络做不深，只能做到7层。

填充的效果，输出可以做的比输入还大：

填充值一般为0：

填充减少的输入大小与层数线性相关，为了避免大量计算需要增大步幅：


高和宽是2的倍数，卷积核大小为2，步幅取2，可以实现每次将输入的高和宽都除以2：

总结
填充是想把模型做深时所用的办法，步幅可以成倍的减小输出形状。

动手学

填充

import torch
from torch import nn# 为了方便起见，我们定义了一个计算卷积层的函数。
# 此函数初始化卷积层权重，并对输入和输出提高和缩减相应的维数
def comp_conv2d(conv2d, X):# 这里的（1，1）表示批量大小和通道数都是1X = X.reshape((1, 1) + X.shape)Y = conv2d(X)# 省略前两个维度：批量大小和通道return Y.reshape(Y.shape[2:])# 请注意，这里每边都填充了1行或1列，因此总共添加了2行或2列
conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1)
X = torch.rand(size=(8, 8))
comp_conv2d(conv2d, X).shape

torch.Size([8, 8])

conv2d = nn.Conv2d(1, 1, kernel_size=(5, 3), padding=(2, 1)) # 非对称卷积核
comp_conv2d(conv2d, X).shape

torch.Size([8, 8])

步幅

conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1, stride=2)
comp_conv2d(conv2d, X).shape

torch.Size([4, 4])

conv2d = nn.Conv2d(1, 1, kernel_size=(3, 5), padding=(0, 1), stride=(3, 4))
comp_conv2d(conv2d, X).shape

torch.Size([2, 2])