卷积函数

卷积函数是构建神经网络的重要支架，通常Pytorch的卷积运算是通过nn.Conv2d来完成。

nn.Conv2d函数：

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros')

参数说明：

in_channels(int)：输入信号的通道
out_channels(int)：卷积产生的通道
kerner_size(int or tuple)：卷积核的尺寸
stride(int or tuple, optional)：卷积步长
padding(int or tuple, optional)：输入的每一条边补充0的层数
dilation(int or tuple, optional)：卷积核元素之间的间距
groups(int, optional)：控制输入和输出之间的连接： group=1，输出是所有的输入的卷积；group=2，此时相当于有并排的两个卷积层，每个卷积层计算输入通道的一半，并且产生的输出是输出通道的一半，随后将这两个输出连接起来。
bias(bool, optional)：如果bias=True，添加偏置。其中参数kernel_size，stride,padding，dilation也可以是一个int的数据，此时卷积height和width值相同;也可以是一个tuple数组，tuple的第一维度表示height的数值，tuple的第二维度表示width的数值。

torch.randn[8, 3, 244, 244]，[batch, channel, height, width]，表示batch_size=8， 3通道（灰度图像为1），图片尺寸：224x224
如果给的是torch.randn[1, 1, 32, 32]表示batch_size=1， 1通道（灰度图像），图片尺寸：32x32

池化函数

nn.MaxPool2d：

class torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

参数说明： 

• kernel_size(int or tuple) - max pooling的窗口大小，

• stride(int or tuple, optional) - max pooling的窗口移动的步长。默认值是kernel_size

• padding(int or tuple, optional) - 输入的每一条边补充0的层数

• dilation(int or tuple, optional) – 一个控制窗口中元素步幅的参数

• return_indices - 如果等于True，会返回输出最大值的序号，对于上采样操作会有帮助

• ceil_mode - 如果等于True，计算输出信号大小的时候，会使用向上取整，代替默认的向下取整的操作