首先先說明第一個答案，也就是PyTorch中卷積層的計算方法，其實這點很多人可能在書上已經看過圖了，我只是用代碼復現一遍
我們把所有變量都明確，首先是輸入變量，我們設爲2 * 2的全1矩陣，如下：
然後初始化一個二維卷積層，並輸出其weight和bias，如下：
我們可以看到，weight和bias都有兩個值，這是因爲我們定義了輸出通道爲2，所以給我們分配了兩個卷積核，然後可以看到權值分別爲0.7843和0.51，bias分別爲0.7589和0.4449，然後我們把input輸出進去看看輸出值，如下圖：
輸出的爲兩個22的tensor，我來解釋一下它們怎麼來的，首先兩個tensor還是因爲我們定義的輸出通道爲2，如果是圖片的話，就會輸出兩張卷積過後的圖片（是不是非常熟悉），然後0.154 = 0.7843（weight） 1 + 0.7589（bias），後面的同理，四個都一樣是因爲卷積核是1*1大小的，具體的計算方法理解了可以套到更大size的卷積核中。
這是第一點，計算方法跟邏輯迴歸很像，不難理解，一直讓我弄不懂的是另外一個問題，那就是weight和bias是怎麼來的？是PyTorch固定分配的？我查閱了很多資料，最後才找到答案：通過一個公式再加上這兩個步驟隨機生成的
先看PyTorch給出的計算公式，其實會很懵，懵的話沒關係，我們直接看更下面的源碼：
源碼：
我們來根據上面我們的例子計算一下，n = in_channels，那我們的n就等於1，因爲我們的輸入維度是1 * 1 * 2 * 2，這裏第一個值是batchsize，也就是你輸入了多少個input，第二個就是我們的輸入通道，ok，看下一步，我們的kernel_size爲1，所以n乘到最後還是等於1，sqrt(1)等於1（開平方根），所以stdv還是等於1。。。。
ok然後就是初始化了，可以看到weight和bias都是初始化爲-1到1之間的隨機數，如下：
