使用pytoch实现

1.卷积神经网络

 conv2d的参数很简单

conv2d(input_channels, output_channels,kernel_size, stride, padding)

参数分别是输入通道，输出通道，卷积核大小，移动步长，填充数量。

输入通道是特征图的深度，输出通道是输出特征图的深度，卷积核大小一般取值1，3，5，7；

移动步长就是卷积核在特征图上每次移动的长度，取值不一样就会导致特征图的大小不一样，比如取值为2，则特征图会变得只有原图的一半大小。

如果想要特征图输出保持原本的大小，则需要在stride=1的前提下，padding = 0，建议padding的取值等于padding = stride/2向上取整。

2.残缺网络

resnet是一系列残缺网络结合起来的，其架构如图所示，

class ResLayer(nn.Module):
    def __init__(self,inputChannels, outputChannels, kernelSize, strides):
        super().__init__()
        paddings = int(kernelSize/2)
        self.convKernel_1 = nn.Conv2d(in_channels= inputChannels,out_channels=outputChannels,
                                      kernel_size=kernelSize, stride=1, padding=paddings)
        self.convKernel_2 = nn.Conv2d(in_channels= outputChannels,
                                      out_channels=outputChannels, kernel_size=kernelSize, stride=strides, padding=paddings)
        self.bn = nn.BatchNorm2d(outputChannels)
        self.activation = nn.ReLU()
        self.conv = nn.Conv2d(in_channels= inputChannels, out_channels=outputChannels,
                              kernel_size=1, stride=strides, padding=0)
        
    def forward(self, inputs):
        x = self.convKernel_1(inputs)
        x = self.bn(x)
        x = self.activation(x)
        x = self.convKernel_2(x)
        x = self.bn(x)
        x = self.activation(x)
        X = self.conv(inputs)
        x = x + X
        return x

 这个残差网络第一层的stride=1，第二层的stride=2，因此到输出时，特征图为原来的一半，所有当输出x与输入的特征图X相加时，旁边有一个卷积核大小为1*1的卷积层，stride=2，padding=0,到输出的时候才能匹配好维度。