关于pytorch中卷积使用的一些总结（包括nn.conv2d,nn.maxpool2d）

太久没写代码，感觉各种函数不熟悉。以此贴作为今天的记录。

首先是pytorch中的卷积 nn.Conv2d

我们可以查看官方文档。

nn.Conv2d 输入信号的形式为(N,Cin,H,W),N表示batch size，Cin​表示channel个数，H，W分别表示特征图的高和宽。

参数说明：

    stride(步长)：控制cross-correlation的步长，可以设为1个int型数或者一个(int, int)型的tuple。

    padding(补0)：控制zero-padding的数目。

    dilation(扩张)：控制kernel点（卷积核点）的间距; 也被称为 "à trous"算法. 可以在此github地址查看:Dilated convolution animations

    groups(卷积核个数)：这个比较好理解，通常来说，卷积个数唯一，但是对某些情况，可以设置范围在1 —— in_channels中数目的卷积核：

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

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