5.3 网络层：卷积层、池化层、线性层、激活函数层

一、卷积层

    1. 1d/2d/3d卷积

    2. 卷积-nn.Conv2d()

    3. 转置卷积-nn.ConvTranspose

二、池化层

三、线性层

四、激活函数层

一、卷积层

首先我们了解卷积的概念，去区分是一维卷积还是二维卷积还是三维卷积。

然后学习nn.Conv2d()这个方法。最后学习转置卷积的概念及名字的由来。

1. 1d/2d/3d卷积

可以把卷积核看成是某种特征，某种模式。

我们可以从模板匹配的角度上去观察卷积操作。卷积操作就是拿着一个特征检测器，到我们的图像上进行扫描，不断地检测图像的每一个区域，与我们的特征检测器的模式是否相似。越相似，它的激活值越高，从而实现了一个特征提取功能。所以，在深度学习中，我们把卷积核看成是特征提取器的检测器。

我们看右边这张图，是AlexNet卷积核的一个可视化。我们发现卷积核学习到的是图像的一些细节特征。这也进一步验证了，卷积核是图像的某种特征提取。具体是哪一种特征，哪一种提取器，是由模型学习而来。

我们了解了卷积的基本操作，那我们该如何区分卷积是几维的呢？

2. 卷积-nn.Conv2d()

3. 转置卷积-nn.ConvTranspose

二、池化层

三、线性层

四、激活函数层