Convolution Layer
左侧图示：一张彩色的图片，有三个部分组成（长度width宽度high深度depth），例如：32 * 32 * 3 表示一彩色图片长度和宽度分别是32，32
右侧图示：在CNN中，filter 是一个特征提取器，我们成为卷积，主要用于滑动图片提取特定位置的特征
一张图片大小32 * 32 * 3 的彩色图，通过一个5 * 5 * 3 filter进行卷积。通过点积操作（图片特征 向量* filter 特征向量 进行点积 ） ，最后提取我们的结果，即我们需要的特征图
我们使用一个6个大小为5 * 5 的filter，然后与图片32 * 32 的彩色图片进行卷积（两个向量的点乘），然后会获取6个28*28 大小的特征图。
其中：这里28 是如何计算的呢？ 实际是有公式的，例如：（W-F+2P)/S + 1 ,具体含义请关注后续内容
人工智能-深度学习框架-Pytorch案例实战视频课程
https://edu.51cto.com/sd/4ee40
主要目录
01 课程整体内容介绍
02 初步认识CNN和数学公式复习
03 CNN 卷积层概念
04 CNN 中的stride和zero-padding使用方法
05 CNN 特征图计算
06 CNN PoolLayers和FC&训练过程演示
07 CNN 网络发展历史
08 图形化方式介绍CNN图像应用
09 图形化方式介绍FC和CNN区别以及CNN概念
10 keras实现CNN网络
11 CNN在语音和文本应用介绍
12 项目实战-图像分类实战大概介绍
14 项目实战-导入图像库以及数据探索
15 项目实战-数据预处理
16 项目实战-pytorch数据加载和可视化
17 项目实战-RGB三通道数据可视化
18 项目实战-fine-tuning网络加载和网络调整
19 项目实战-模型训练功能
20 项目实战-模型验证功能
21 项目实战-分类混淆矩阵效果评估
22 项目实战-数据预测可视化&GPU效果
23 项目实战-CPU环境训练过程&tensorboardx可视化
24 项目实战-GPU环境训练过程&在线服务预测