Python conv2d后的PyTorch CNN线性层形状

我试图学习Pytork，遇到了一个教程，其中CNN的定义如下

class Net(Module):   
    def __init__(self):
        super(Net, self).__init__()

        self.cnn_layers = Sequential(
            # Defining a 2D convolution layer
            Conv2d(1, 4, kernel_size=3, stride=1, padding=1),
            BatchNorm2d(4),
            ReLU(inplace=True),
            MaxPool2d(kernel_size=2, stride=2),
            # Defining another 2D convolution layer
            Conv2d(4, 4, kernel_size=3, stride=1, padding=1),
            BatchNorm2d(4),
            ReLU(inplace=True),
            MaxPool2d(kernel_size=2, stride=2),
        )

        self.linear_layers = Sequential(
            Linear(4 * 7 * 7, 10)
        )

    # Defining the forward pass    
    def forward(self, x):
        x = self.cnn_layers(x)
        x = x.view(x.size(0), -1)
        x = self.linear_layers(x)
        return x

我了解cnn_层是如何制作的。在cnn_层之后，应将数据展平并提供给线性_层

我不明白要线性化的功能的数量是如何

4*7*7

。我知道4是最后一个Conv2d层的输出维度

7*7

如何进入画面？步幅或填充在其中起了什么作用

---

输入图像形状为[1,28,28]

Conv2d

层的内核大小为3，跨距和填充为1，这意味着它不会更改图像的空间大小。有两个

MaxPool2d

层将空间维度从

（H，W）

减少到

（H/2，W/2）

。因此，对于每个批次，具有4个输出通道的最后一次卷积的输出的形状为

（批次大小，4，H/4，W/4）

。在向前传球中，特征张量被

x=x.view（x.size（0），-1）

展平，从而使其成为

（批次大小，H*W/4）

。我假设H和W是28，对于这两个值，线性层实际上会采用形状

（batch_size，196）

的输入， 在二维卷积层中，矩阵[2D张量]中的特征[Value]， 像往常一样，神经网络最后是一个完全连接的层，后面是一个连接层。 因此，向量[1D张量]中完全连通层中的特征。 因此，我们必须将最后一个度量中的每个特征[值]映射到完全连接的层中。 在pytorch中，完全连接层的实现是

线性
类。
第一个参数是输入特征的数量：
在这种情况下

input_image : (28,28,1)
after_Conv2d_1 : (28,28,4) <- because of the padding : if padding := 0 then (26,26,1)
after_maxPool_1 : (14,14,4) <- due to the stride of 2
after_Conv2D_2 : (14,14,4) <- because this is "same" padding
after_maxPool_2 : (7,7,4)

input_图像：（28,28,1）
_Conv2d_1：（28,28,4）输入图像的形状是什么？28x28单通道据我所知，完全连接层中的神经元数量不需要与卷积层的输出相同。如果第一个FC层中有30个神经元，而conv层的输出是4*7*7，那么仍然可以有30个，10是输出维度，30是隐藏层维度，可以有任意数量的输入。@cerofrais nope，这不是它的工作方式。谢谢