paddle卷积网络计算过程中的维度变化计算方法

为了观察每个过程的维度变化，我写了一些print操作，其实维度变化已经很明显了，下面来具体计算一下每个维度是怎么计算的到的

第0层：网络的输入[1, 1, 32, 32]，其中第一维是batch_size, 第二维是input_channel，后面两维是数据的大小，
第1层：卷积层(convolution layer).第一层使用的卷积核大小为[5, 5]，卷积核（filter）的输出深度为６(output_channel)，使用不填充，步长为１．不填充的情况下，输出的矩阵大小为32 -5 + 1 = 28．因此第一层卷积输出的feature_map的大小为[28, 28, 6]．
第2层：池化层(pooling layer)． 池化层过滤器大小[2, 2]，步长为２．第二层的输出维度(28-2)/2 + 1(括号里面的“2”是kernel的对应维度， “/2”的2是步长)。因此第二层的的大小为[14,14,6]．
后面的维度以此类推了。

Conv2d也具有自己的输入和输出，例如（batch_size, channel, height,）

class paddle.nn.Conv2D(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, padding_mode='zer

二维卷积层

该OP是二维卷积层（convolution2d layer），根据输入、卷积核、步长（stride）、填充（padding）、空洞大小（dilations）一组参数计算输出特征层大小。输入和输出是NCHW或NHWC格式，其中N是批尺寸，C是通道数，H是特征高度，W是特征宽度。卷积核是MCHW格式，M是输出图像通道数，C是输入图像通道数，H是卷积核高度，W是卷积核宽度。如果组数(groups)大于1，C等于输入图像通道数除以组数的结果。详情请参考UFLDL's : 卷积 。如果bias_attr不为False，卷积计算会添加偏置项。

os', weight_attr=None, bias_attr=None, data_format='NCHW')