卷积操作原来分3种

一开始学习卷积的，书上文章都是空间维度的解说。比如10*10的图片，然后卷积核 3*3，步长1，不填充。

那么卷一遍，就是8*8的图片了。现在发现，怎么还有通道维度的。

卷积的三个核心维度

空间维度（高X宽）：作用时提取局部空间特征；

通道维度（深度）：融合不同通道的信息，卷积核的数量决定输出通道数。

批次维度：一次处理多个样本，由batch size决定。

所以卷积不仅仅时滑动窗口！

在深度学习中，卷积核其实时一个三维结构：

对于输入张量 H x W x C_in：

• 卷积核大小是K x K x C_in
• 每个卷积核会跨所有输入通道做加权求和，输出一个通道
• 用N个这样的卷积核，得到C_out=N个输出通道

举例：

假设输入的是 24*24*256，你用：

• 卷积核大小：3*3
• 输入通道数：256
• 输出通道数：128（用了128个卷积核）

那么每个卷积核是3*3*256，输出是24*24*128

PyTorch中卷积层：nn.Conv2d

nn.Conv2d(in_channels,out_channelds,kernel_size,stride=1,padding=0)

• in_channels 输入通道，例如RGB图像是3
• out_channelds 输出通道，例如要生成多少个特征图
• kernel_size 卷积核
• stride 步长
• padding 填充

如果搞空间尺寸的，用kernel_size,stride,padding

如果搞通道数的，用in_channels，out_channelds

如果搞批次维度，x=torch.randn(32,3,24,24)。//32张RGB图像，pytorch中，输入张量第一位都是batch_size。这样，GPU可以并行处理。

【什么时候用通道维度变化？】

• 特征的融合核压缩，就是特征太多了，要融合一下，少一点。例如
• 特征扩展，还能把特征变多
• 通道对齐，拼接操作，2个张量通道数一致
• 注意力机制中通道变化，

总结，就是对所有输入通道的加权组合。控制模型的表达能力，计算效率和结构匹配。能够从深度方向上感知信息。

那么我们自己怎么设计多少个卷积核呢，其实我也不知道，但是有现成别人试验过的，例如ResNet-50

【什么时候用空间维度？】

• 降采样
• 保持空间尺寸
• 上采样

总结，控制模型视野和抽象程度。这种其实也是大量试验出来的，用多大卷积核，多少步长。