pytorch nn.conv2d 参数（卷积模型）

1.接口定义

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

• in_channels(int)：输入图片通道数（灰度图为1，彩图RGB为3）。要与上一层的输出保持一致
• out_channels(int)：输出图片通道数（卷积核种类数，学习几种特征）
• kernel_size(int or tuple):Size of convolving kernel.正方形为int，矩形为tuple
• stride:卷积核移动的步长，默认为1
• padding：卷积是否造成尺寸丢失（四周加不加格子），1表示不丢失，默认为0(由于kernel=1，stride=1时，新图=原始大小)
• padding_mode: 选择padding的方式，默认’zeros’加0
• dilation:Spacing between kernel elements. Default=1. kernel间距 增加感受域同时计算量不变，保留更多细节+图像精度提升
• groups:Number of blocked connections from input channels to output channels. Default: 1. 卷积层参数，将卷积层的输入&输出分组。分组的输出通道由对应组的输入通道进行计算。groups要求是in和out的公因数，因为涉及分组，必须整除
• bias: if True，add a learnable bias(偏移量) to output.default=True

2.in_channels(int)参数的理解

in_channels是卷积层的输入通道数。和上一层的输出通道数相匹配。如果输入为原始数据的灰度图（黑白），则通道数=1；如果为彩色图RGB，输入通道数为3.

3.out_channels(int)参数理解

out_channels是卷积层输出通道数。卷积层的输出，是输入图像经过卷积核（滤波器）处理之后的输出。不同的通道之间是并行的（同层的）

4.groups(int)参数理解

groups的作用在于，将多组的输入和输出进行分组。实现分组卷积。可以极大程度减少参数数量。

5.参考文章

1.https://blog.csdn.net/ECNU_LZJ/article/details/105265843?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param