10卷积神经网络（初级）
二维卷积神经网络
放进卷积层，然后使通道数提升
下采样层中通道数是不变的 但是宽高会变
目的减少数据量，降低运算的需求 00:05:59.344 
再做一次5x5的卷积 然后2x2的下采样
最后要把三阶向量展开成一维向量 就是挨个排序 00:07:13.014 
然后利用全连接层来映射到10个输出
利用各种层，进行维度变换
卷积+下采样=特征提取器
图像： rgb图像 栅格图像 00:11:25.291 
00:25:19.212 
取出来一个图形块 对图像块进行卷积 依次移动
输出通道数 00:28:20.851 
00:29:22.737 
这个就是单通道卷积的形象表示
三通道卷积 00:31:02.697 
每一个通道设置一个卷积核 00:32:17.903 
最后三维变成1维 00:33:10.285 
由于kernel 是3x3的所以 h和w减二
n个通道，就需要n个卷积核 00:39:22.814 
00:40:45.478 
输入输出通道， 所有输入的数据都应是小批量的 生成随机输入数据 conv_layer卷积层 输入通道数量 输出通道数量 kernel大小
把创建的对象输入到卷积层中
输入5各通道 100X100长宽 输出10个通道 10 ，98，98
10是输出通道数5输入通道，3，3是卷积核大小
如果我们想要获得5X5的图像，而不是卷积过后3x3的
我们可以在input外围添加一圈 00:46:00.422 
7x7 * 5x5 -> 5x5
最常见的就是填充0
这里的B是batch——size
构建一个卷积层 前两个变量，一个是输入通道，一个是输出通道数 pading 就是上图填0
构建卷积核 00:48:57.849 
输出、输入、宽度、高度
这里对卷积层进行了初始化
如果要输出2x2的 这里就要求stride这个参数为2，也就是步长为2，一次移动两格（长宽都一样 00:49:51.532 
00:50:04.802 
这个可以有效降低输出的宽高 00:50:33.270 
代码变动在这里
下采样
最大池化层
分成2x2的区间，然后再这个各格子内，找最大值
与通道无关，所以变换过后，通道数不变 00:51:51.468 
笨比了
5x5的kernel会导致图像长宽变小4 这个可以自己画个图理解一下
00:53:18.662 
进行一个最大池化 00:53:41.142 
输入通道和输出通道00:54:00.492 
320个元素进行向量化，经过全连接层，映射成10 00:56:19.190 
下面将全连接的网络改成卷积神经网络 00:56:46.689 
00:57:02.712 
relu是进行激活 00:57:43.856 
00:58:42.200 
右边代码和左图有点不一样 右边代码是是 做完卷积之后先做的池化，然后做的激活 00:59:43.641 
view目的就是让其映射到全连接网络所需要的输入 fc就是使用全连接层进行变换
由于要进行交叉熵损失计算，所以最后一层不需要进行激活
