卷积和池化---------Pytorch

1、二维卷积
    @输入数据形状:32*32*3(size*in_channels)
    # in_channels 输入通道数
    # out_channels 输出通道数(卷积核个数)
    # kernel_size 卷积核尺寸
    # stride 步长，默认1
    # padding 填充个数，默认0
    # dilation 空洞卷积大小，默认1(常用于图像分割)
    # groups 分组卷积设置，默认1，一幅图划分为多个区域且不同区域内有一个卷积核(常用于模型轻量化)
    # bias 偏置，默认True
    nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True,padding_mode='zeros')
    
2、卷积输出尺寸计算
    # 输入图片假设为4*4，则in_size=4
    # 卷积核3*3,kernel_size=3
    # stride 步长
    简化：out_size = in_size-kernel_size+1 # 2
    完整：out_size = [in_size+2*padding-dilation*(kernel_size-1)-1]/stride+1 # 2

3、转置卷积
    # output_padding
    nn.ConvTranspose2d(in_channels,out_channels,kernel_size,stride=1,padding=0,output_padding=0,dilation=1,groups=1,bias=True,padding_mode='zeros')
  
4、池化
    4.1 最大池化
        # kernel_size:池化核尺寸，如(2,3)或(2,2)或2
        # stride:步长,默认None
        # padding:填充个数,默认0
        # dilation:池化核间隔大小，默认1
        # return_indices:默认False,记录池化像素索引(记录最大池化时，最大值的位置，在反池化时将最大值还原到原位置)
        # ceil_mode:默认False,尺寸向上取整(当输出尺寸不能被整除使使用)
        nn.MaxPool2d(kernel_size,stride=None,padding=0,dilation=1,return_indices=False,ceil_mode=False)

    4.2 平均池化
        # count_include_pad:默认True,填充值是否用于计算
        # divisor_override:默认None,除法因子(求平均值时将分母变成除法因子)
        nn.AvgPool2d(kernel_size,stride=None,padding=0,ceil_mode=False,count_include_pad=True,divisor_override=None)
        
5、反池化
    nn.MaxUnpool2d(kernel_size,stride=None,padding=0)