三分钟完全了解PyTorch中卷积层内部计算方法和权值初始值的来历，让你对模型有更深层次的理解
首先先说明第一个答案，也就是PyTorch中卷积层的计算方法，其实这点很多人可能在书上已经看过图了，我只是用代码复现一遍
我们把所有变量都明确，首先是输入变量，我们设为2 * 2的全1矩阵，如下：
然后初始化一个二维卷积层，并输出其weight和bias，如下：
我们可以看到，weight和bias都有两个值，这是因为我们定义了输出通道为2，所以给我们分配了两个卷积核，然后可以看到权值分别为0.7843和0.51，bias分别为0.7589和0.4449，然后我们把input输出进去看看输出值，如下图：
输出的为两个22的tensor，我来解释一下它们怎么来的，首先两个tensor还是因为我们定义的输出通道为2，如果是图片的话，就会输出两张卷积过后的图片（是不是非常熟悉），然后0.154 = 0.7843（weight） 1 + 0.7589（bias），后面的同理，四个都一样是因为卷积核是1*1大小的，具体的计算方法理解了可以套到更大size的卷积核中。
这是第一点，计算方法跟逻辑回归很像，不难理解，一直让我弄不懂的是另外一个问题，那就是weight和bias是怎么来的？是PyTorch固定分配的？我查阅了很多资料，最后才找到答案：通过一个公式再加上这两个步骤随机生成的
先看PyTorch给出的计算公式，其实会很懵，懵的话没关系，我们直接看更下面的源码：
源码：
我们来根据上面我们的例子计算一下，n = in_channels，那我们的n就等于1，因为我们的输入维度是1 * 1 * 2 * 2，这里第一个值是batchsize，也就是你输入了多少个input，第二个就是我们的输入通道，ok，看下一步，我们的kernel_size为1，所以n乘到最后还是等于1，sqrt(1)等于1（开平方根），所以stdv还是等于1。。。。
ok然后就是初始化了，可以看到weight和bias都是初始化为-1到1之间的随机数，如下：