卷积神经网络的传播及参数用法

1 问题

问题一：输入通道数不匹配：比如预期输入的图像通道是1，但是得到了3个通道的图像，故而导致运行结果报错。

问题二：在使用卷积层Conv2d 时通过随机生成的输入数据进行向上传播时，因为不了解其各种参数的含义和使用方法从而报错。

2 方法

问题一：简单的来说，主要就是输入通道数目不匹配，需要我们重新修改最开始输入的输入通道，从而打印出torch.size。

问题二：在使用卷积层Conv2d 时通过随机生成的输入数据进行向上传播时，因为不了解其各种参数的含义和使用方法从而报错。

回答：我们主要通过百度进行查询其参数的使用条件。 

就以本段代码为例：

此处，这段代码是使用 PyTorch 实现的卷积操作。具体来说，它创建了一个卷积层（Conv2d），并使用随机生成的输入数据（x）进行前向传播。以下是代码的解释：

Conv1 = nn.Conv2d(in_channels=1, out_channels=64, kernel_size=7, padding=3, stride=1) 这行代码定义了一个卷积层（Conv2d），其参数如下：

 - in_channels：输入通道数，这里设置为 1，表示输入数据只有一个通道（例如灰度图像）。

 - out_channels：输出通道数，这里设置为 64，表示卷积操作后输出数据有 64 个通道。

 - kernel_size：卷积核（滤波器）的大小，这里设置为 7，表示卷积核的大小为 7x7。

 - padding：输入数据的 padding 大小，这里设置为 3，表示在输入数据的每个边缘上填充 3 个像素，以使卷积核能够与输入数据对齐。

 - stride：卷积操作的步长，这里设置为 1，表示在卷积操作中，每个方向上的输出数据比输入数据不变。
x = torch.rand(size=(1,1,28,28)) 这行代码生成一个随机的输入数据张量（x），其大小为 (1,1,28,28)。这里的维度说明如下： - 1：批量大小（batch size），这里设置为 1，表示只有一个样本。 - 1：通道数（channel），这里设置为 1，表示输入数据只有一个通道（例如灰度图像）。 - 28：高度（height）。 - 28：宽度（width）。

x = Conv1(x) 这行代码使用卷积层（Conv1）对输入数据张量（x）进行前向传播，生成输出数据张量。在这个过程中，卷积层会对输入数据张量（x）的每个像素与卷积核（滤波器）进行点积操作，然后对所有像素的结果进行求和，得到输出数据张量中的一个值。这个过程会重复多次，直到覆盖输入数据张量的所有像素。最后，输出数据张量的形状为 (1,16,24,24)，其中： - 1：批量大小（batch size），这里设置为 1，表示只有一个样本。 - 16：输出通道数，这里设置为 16，表示卷积操作后输出数据有 16 个通道。 - 24：高度（height）。 - 24：宽度（width）。

3 结语

针对卷积神经网络（cnn）的报错及其参数的不了解，首先要理解参数的使用条件和用途，再尝试通过去理解代码上的来源和用法，通过vscode进行试验。证明该方法是有效的，他能帮我们了解卷积层神经网络。