pytorch nn.Conv2d

Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)

最近在学习李沐大神动手学习深度学习卷积神经网络（第六章）示例时，对torch包中的Conv2d函数不是很了解。

in_channels：输入的通道数目
out_channels： 输出的通道数目
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。
stride： 卷积每次滑动的步长为多少，默认是 1
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 。
dilation：控制卷积核之间的间距
groups：控制输入和输出之间的连接
bias： 是否将一个 学习到的 bias 增加输出中，默认是 True 。
padding_mode ： 字符串类型，接收的字符串只有 “zeros” 和 “circular”。

例子1：

conv2d = nn.Conv2d(1,1, kernel_size=(1,2), bias=False)

输入通道为1，输出通道为1，卷积核大小为1*2的，没有设置步长与边界，步长默认为1，没有学习偏差bias。
 

例子2：

conv2d_1 = nn.Conv2d(1,1,kernel_size=3,padding=1,stride=2)

输入通道为1，输出通道为1，卷积核大小为3*3的，边界左右扩展1，上下扩展1，步长为2。

例子3：

conv2d_2 = nn.Conv2d(1,1,kernel_size=(3,5),padding=(0,1),stride=(3,4))

输入通道为1，输出通道为1，卷积核大小为3*5的，边界左右不扩展，上下扩展1，左步长为3，右步长为4。