3. 卷积网络代码参数解读分析

1. 构建卷积神经网络

这里并不是实际的案例，这篇是讲一下卷积中的参数、分别有什么意义、对结果有什么影响，巩固一下对卷积的理解。

1.1 数据、参数

datesets中有一些数据集可以直接用，transforms可以用来做一些预处理（数据转换成 tensor...）

由于输入是灰度图像，做CNN卷积，所以 batch*1*28*28，之前的那个里是做全连接，batch*784。

之前的784个像素点，在全连接网络看来是没有关系的；但是在卷积中，我们是一个一个窗口算的，肯定会综合考虑窗口中像素点的关系，这种肯定更加合理，卷积网络更适合处理我们的数据。

1.2 卷积网络模块构建

以后都是用现成的包，现在详细展开一下：

在一个 conv1 的 sequential 中

1. nn.Conv2d就是用2d的卷积（图像任务），3d就是视频数据（很多张图像--时间维度），1d就是对结构化数据处理。
2. nn.Conv2d 用的时候需要一些参数，如上图conv1中的。
   1. in_channels：刚开始输入的channel，RGB就是3，灰度就是1。始终表示“进入这个卷积层（或卷积块）的特征图（channels）数量”
   2. out_channels：卷积核的个数，输出特征图的个数
   3. kernel_size：3*3，5*5都行，小一点比较好
   4. stride：滑动窗口平移的单元格个数
   5. padding：对边界进行一个填充，为几就加几圈0，输出和输入的大小保持一致就靠这个padding; kernal_size==5 <=> padding==2; kernal_size==3 <=> padding==1。
3. Relu，无论是全连接还是卷积，做一次特征提取后，都要做一次这个
4. MaxPooling：做压缩，把特征图大小压一半。只会改特征图大小，数量不变。

这里的 conv 并不是单纯指“一个卷积层”（Conv2d），而是一个 “卷积块”（convolutional block）——它封装了一系列按顺序执行的操作。

现在能得到特征了，我们最后要做分类，分出属于10个类别的概率。

做分类是wx+b的一个过程，我们得到的特征图并不是特征，要想办法把特征图转化成特征。

把特征图做一个拉长：64*7*7 的特征，然后做10分类

3个卷积块走完之后，还做了一个view，这个view和reshape一样，x是4维（batch，channel，h，w），x.size(0)就是保持batch不变，-1表示自动计算，一个维度确定，根据数据个数自动计算另一个维度。

特征图需要先变成一个二维矩阵，才能做全连接层出结果。

1.3 准确率作为评估标准

max的第一个返回值是最大的具体值，第二个是索引

2. 训练网络模型

搞batch_idx就是为了在评估时固定步数计算一下准确率

之前用全连接做的最终结果是97%，现在测试集准确率已经99%了