**1 **問題

如何對圖片進(jìn)行卷積計(jì)算？

**2 **方法

先導(dǎo)入torch和torch里的nn類，然后設(shè)置一個(gè)指定尺寸的隨機(jī)像素值的圖片，然后使用nn.conv2d函數(shù)進(jìn)行卷積計(jì)算，然后建立全連接層，最后得到新的圖片的尺寸

步驟:

(1) 導(dǎo)入實(shí)驗(yàn)所需要用到的包

from numpy import pad

import torch

from torch import nn

(2) 設(shè)置一個(gè)指定尺寸的圖片

x = torch.rand(128,3,28,28)

(3) 設(shè)置卷積

conv1 = nn.Conv2d(in_channels=3,\\

out_channels=16,kernel_size=3,\\

stride=1,padding=1)

(4) 建立全連接層然后對圖片進(jìn)行卷積計(jì)算，然后對圖片進(jìn)行拉伸，再將拉伸后的圖片交給全連接層，最后打印救過卷積計(jì)算的圖片的尺寸

fc = nn.Linear(in_features=322828,\\

out_features=10)

x = conv1(x) # [128,16,28,28]

x = torch.flatten(x,1) # [128,322828]

out = fc(x)

print(out.shape)

**3 **結(jié)語

這次實(shí)驗(yàn)我們更加深入的了解了torch的有趣之處，通過對圖片進(jìn)行卷積計(jì)算，設(shè)置卷積計(jì)算的通道，設(shè)置卷積核尺寸大小，設(shè)置步長，設(shè)置補(bǔ)充，最后進(jìn)行拉伸，得到最后的圖片的尺寸，讓我對卷積有了進(jìn)一步的了解，對卷積的使用以及深度學(xué)習(xí)的魅力有了進(jìn)一步的了解。