C：即channel，通道的意思，在卷积神经网络（CNN）中：输入层中的通道对应于图像的通道，例如 RGB 图像的三个颜色通道。隐藏层中的通道代表卷积核的数量，每个卷积核在特征图中产生一个通道，捕捉图像的不同特征。
W：weight，宽度
H：high，高度，一个通道中有w乘h个元素
convolution：卷积层，在图像识别任务中，CNN通过一系列卷积层和池化层来提取图像的特征，然后通过全连接层或其他类型的层来进行分类。
subsampling：下采样，使用下采样不改变通道数，目的是减少数据量，降低运算的需求
池化层：池化层是下采样在卷积神经网络中的一种具体实现。池化层通过在特征图上滑动窗口并执行某种聚合操作（如最大值、平均值或总和），来减少特征图的尺寸，同时保留重要的特征信息。
fully connected：全连接，在全连接层中，每一层的每个神经元都与上一层的所有神经元相连，以及下一层的所有神经元相连。
- 在卷积神经网络中，全连接层通常位于网络的末端，紧接在一系列卷积层和池化层之后。它们将卷积层提取的特征转换为最终的分类结果。
- 有时，为了减少参数数量并提高效率，全连接层会被替换为全局平均池化
前四步为Feature Extraction:特征提取器
卷积神经网络（CNN）：自动从图像中学习层次化的特征表示。
后面两步为classification：分类器
目的：
- 预测：给定一个新的、未见过的数据实例，预测它属于哪个类别。
- 组织：将数据按照特定的属性或特征进行分组，以便于进一步的分析和处理。
分类类型：
- 二分类：只有两个类别，例如“是/否”，“阳性/阴性”。
- 多分类：有三个或更多的类别，例如“红色/绿色/蓝色”。
- 多标签分类：每个实例可以同时属于多个类别，例如一篇文档可能同时被标记为“科技”和“教育”。
方法：
监督学习分类算法：
- 逻辑回归：用于二分类问题，通过最大化似然函数来估计参数。
- 支持向量机（SVM）：寻找一个最优的边界（称为超平面），以最大间隔分隔不同类别的数据。
- 决策树：通过一系列的判断规则来进行分类。
- 随机森林：由多个决策树组成，每个树给出一个分类结果，通过投票决定最终类别。
- 神经网络：模仿人脑的处理方式，通过多层神经元进行特征学习和分类。
无监督学习分类算法：
- K-均值聚类：将数据点分配到K个簇中，每个簇的中心由簇内数据的均值确定。
- 层次聚类：通过逐步合并或分裂已有的簇来形成一棵聚类树。
RGB代表红绿蓝（Red Green Blue），是一种颜色模型，用于在电子显示设备上表示颜色。在RGB颜色模型中，通过混合不同强度的红色、绿色和蓝色光来创建各种颜色。
栅格图像通常使用RGB颜色模型来表示颜色。这意味着栅格图像的每个像素都包含红色、绿色和蓝色的强度值，这些值共同决定了像素显示的颜色。
图像到底是什么？根据核的大小从输入中每次取同大小块，一次遍历所有图像。
单通道：关于核中的第一个元素，从1 * 5 * 5 输入中拿出 第一个3 * 3 框与核做卷积（数乘），
数乘：对应元素相乘再相加得结果
遍历完成得到的输出。
对于多通道：
每个通道都要配一个核，卷积核的数量与通道匹配，然后各自进行数乘
最后将得到的三个结果各个数相加得到输出。
cat：拼接
多个垒起来，输入 n * w * h，通过m个 n * w 1* h1卷积核就能输出 m * w 1* h1，得到多个输出。
在卷积神经网络（CNN）中，“权重”（Weights）是指神经网络中的参数，它们在训练过程中通过学习数据集进行优化。权重决定了卷积核（或过滤器）的作用方式，以及如何从输入特征图中提取特征。
代码与输出。
Padding方法：
5 * 5 和 3 * 3 的卷积核 得到 3 * 3，但是希望图像大小不变，得到 5 * 5
把图像周围填充0成 7 * 7 ，就可以了。这里主要参考上面的公式。
Stried步长=2
如果要得到尺寸为2的输出，则有（5-3)/2+1=2
import torch input = [3,4,6,5,7, 2,4,6,8,2, 1,6,7,8,4, 9,7,4,6,2, 3,7,5,4,1]#构建输入数据 input = torch.Tensor(input).view(1, 1, 5, 5) # 1 batch, 1 channel, 5x5 image，构建输入数据 #conv_layer = torch.nn.Conv2d(1, 1, kernel_size=3, padding=1, bias=False)#构建卷积层，1个输入通道，1个输出通道，卷积核大小为3x3，padding为1就是加一圈0，bias偏置量为False conv_layer = torch.nn.Conv2d(1, 1, kernel_size=3, stride=2, bias=False) kernel = torch.Tensor([1,2,3,4,5,6,7,8,9]).view(1, 1, 3, 3) #构建卷积核，1个输入通道，1个输出通道，卷积核大小为3x3 conv_layer.weight.data = kernel.data#将卷积核赋值给卷积层的权重 output = conv_layer(input)#进行卷积操作 print(output)把padding=1改成stride=2即可、
最大池化层MaxPooling：默认步长为2，图像尺寸缩成原来一半，选择里面最大的数作为输出，通常用于卷积神经网络中的特征提取阶段，紧跟在卷积层之后，用于减小特征图的尺寸，同时保留关键特征，为后续的全连接层或其它层提供更抽象的特征表示。
import torch input = [3,4,6,5, 2,4,6,8, 1,6,7,5, 9,7,4,6, ] input = torch.Tensor(input).view(1, 1, 4, 4) maxpooling_layer = torch.nn.MaxPool2d(kernel_size=2) # 默认stride=kernel_size=2 output = maxpooling_layer(input) print(output)最大池化层不影响输入输出，只缩小一半尺寸。
20x4x4=320个元素
最后一个全连接层直接将320降到10维，即分成10类。
ReLU层（Rectified Linear Unit Layer）是深度学习中常用的一种激活函数层，其主要作用是在神经网络中引入非线性因素，使得网络能够学习和模拟更复杂的函数。
把全连接网络改成卷积神经网络
课后作业。。。。
