【深度学习】深度学习实验三——二维卷积实验、超参数对比分析（包括卷积层数、卷积核大小、batchsize、lr等）、经典模型AlexNet、空洞卷积实验、dilation、残差网络实验、退化、残差块

一、实验内容

实验内容包含要进行什么实验，实验的目的是什么，实验用到的算法及其原理的简单介绍。

1.1 二维卷积实验

（1）手写二维卷积的实现，并在至少一个数据集上进行实验，从训练时间、预测精度、Loss变化等角度分析实验结果（最好使用图表展示）
（2）使用torch.nn实现二维卷积，并在至少一个数据集上进行实验，从训练时间、 预测精度、Loss变化等角度分析实验结果（最好使用图表展示）。
（3）不同超参数的对比分析（包括卷积层数、卷积核大小、batchsize、lr等）选其中至少1-2个进 行分析。
（4）使用PyTorch实现经典模型AlexNet并在至少一个数据集进行试验分析 （平台 课同学选做，专业课同学必做）（无GPU环境则至少实现模型）。
原理介绍：在图像处理中，卷积经常作为特征提取的有效方法。给定一个输入信息 𝑿 和滤波器 𝑾 的二维卷积定义为：
𝒀 = 𝑾 ∗ 𝑿 公式（1）
其中 ∗ 表示二维卷积运算。

1.2 空洞卷积实验

（1）使用torch.nn实现空洞卷积，要求dilation满足HDC条件（如1,2,5）且要堆叠多层并在至少一个数据集上进行实验，从训练时间、预测精度、Loss 变化等角度分析实验结果（最好使用图表展示）。
（2