本文是深度学习框架 pytorch 的API ： torch.nn.Conv2d() 函数的用法。本博客介绍了 torch.nn.Conv2d() 各个参数的含义和用法，学会使用 pytorch 创建 卷积神经网络。
参考：官方文档和其它博客
一、用法
-
Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)
二、参数
-
in_channels：输入的通道数目 【必选】
-
out_channels： 输出的通道数目 【必选】
-
kernel_size：卷积核的大小，类型为int 或者元组，当卷积是方形的时候，只需要一个整数边长即可，卷积不是方形，要输入一个元组表示 高和宽。【必选】
-
stride： 卷积每次滑动的步长为多少，默认是 1 【可选】
-
padding： 设置在所有边界增加 值为 0 的边距的大小（也就是在feature map 外围增加几圈 0 ），例如当 padding =1 的时候，如果原来大小为 3 × 3 ，那么之后的大小为 5 × 5 。即在外围加了一圈 0 。【可选】
-
dilation：控制卷积核之间的间距（什么玩意？请看例子）【可选】
如果我们设置的dilation=0的话，效果如图：（蓝色为输入，绿色为输出，卷积核为3 × 3）
如果设置的是dilation=1，那么效果如图：（蓝色为输入，绿色为输出，卷积核仍为 3 × 3 。）
但是这里卷积核点与输入之间距离为1的值相乘来得到输出。 -
groups：控制输入和输出之间的连接。（不常用）【可选】
举例来说：
比如 groups 为1，那么所有的输入都会连接到所有输出
当 groups 为 2的时候，相当于将输入分为两组，并排放置两层，每层看到一半的输入通道并产生一半的输出通道，并且两者都是串联在一起的。这也是参数字面的意思：“组” 的含义。
需要注意的是，in_channels 和 out_channels 必须都可以整除 groups，否则会报错（因为要分成这么多组啊，除不开你让人家程序怎么办？） -
bias： 是否将一个 学习到的 bias 增加输出中，默认是 True 。【可选】
-
padding_mode ： 字符串类型，接收的字符串只有 “zeros” 和 “circular”。【可选】
注意：参数 kernel_size，stride，padding，dilation 都可以是一个整数或者是一个元组，一个值的情况将会同时作用于高和宽 两个维度，两个值的元组情况代表分别作用于 高 和 宽 维度。
三、相关形状
假设输入形状为：
(N,Cin,H,W)
则输出形状为：
(N,Cout,Hout,Wout)
其中 Hout 为：
Hout=⌊stride[0]Hin+2×padding[0]−dilation[0]×(kernel_size[0]−1)−1+1⌋
Wout 为：
Wout=⌊stride[1]Win+2×padding[1]−dilation[1]×(kernel_size[1]−1)−1+1⌋
四、示例
入门学习者请不要过度关注某一些细节，建立一个简单的卷积层使用这个 API 其实很简单，大部分参数保持默认值就好，下面是简单的一个示例，创建一个简单的卷积神经网络：
class CNN(nn.Module):
def __init__(self,in_channels:int,out_channels:int):
"""
创建一个卷积神经网络
网络只有两层
:param in_channels: 输入通道数量
:param out_channels: 输出通道数量
"""
super(CNN).__init__()
self.conv1=nn.Conv2d(in_channels,10,3,stride=1,padding=1)
self.pool1=nn.MaxPool2d(kernel_size=2,stride=1)
self.conv2=nn.Conv2d(10,out_channels,3,stride=1,padding=1)
self.pool2=nn.MaxPool2d(kernel_size=2,stride=1)
def forward(self,x):
"""
前向传播函数
:param x: 输入，tensor 类型
:return: 返回结果
"""
out=self.conv1(x)
out=self.pool1(out)
out=self.conv2(out)
out=self.pool2(out)
return out