两层卷积神经网络nn.Conv2d参数调整

最近在学习卷积神经网络，看了一些入门知识，找了一个简单的卷积神经网络代码来跑，跑成功了，有两个卷积层，想着如果给它再加一层卷积层，会怎样，然后发现得调整nn.Conv2d里面的参数，经过别人是指导终于有了一些思路，以此记录一下，分享给大家。
先把我的完整代码放上来，再分片段来说。

# 手写数字识别--MNIST数据集--卷积
# 准确率：99%

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
# 定义参数
BATCH_SIZE = 512  # 大概需要2G的显存
EPOCHS = 20  # 总共训练批次数
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")  # 让torch判断是否使用GPU，建议使用GPU环境，因为会快很多

# 读取数据
# 训练集数据
train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.ToTensor(),
                       transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=BATCH_SIZE, shuffle=True)
# 测试集数据
test_loader = torch.utils.data.DataLoader(
    datasets.MNIST('data', train=False, transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
    ])),
    batch_size=BATCH_SIZE, shuffle